stas00/ml-engineering
کتاب باز مهندسی یادگیری ماشین برای دانشجویان و متخصصان فنی
کاربرد:
این پروژه یک منبع جامع و عملی برای یادگیری و پیاده‌سازی سیستم‌های یادگیری ماشین در دنیای واقعی است. شامل بهترین روش‌ها، ابزارها، معماری‌ها و تجربیات عملی در حوزه MLOps، آماده‌سازی داده، آموزش مدل، استقرار و نظارت است. ️
در چه شرایطی بهتره استفاده شود؟
وقتی می‌خوای یک مدل یادگیری ماشین رو از محیط توسعه به تولید ببری، یا می‌خوای پایپلاین‌های قابل مقیاس و قابل نگهداری بسازی، این منبع بسیار مفیده. همچنین برای تیم‌هایی که می‌خوان استانداردهای مهندسی رو در پروژه‌های هوش مصنوعی رعایت کنن، عالیه.
چند مثال از موارد استفاده:
- طراحی یک پایپلاین داده با استفاده از ابزارهای مدرن مثل DVC و MLflow
- استقرار مدل با استفاده از Kubernetes و FastAPI
- مدیریت آزمایش‌های آموزش مدل با نسخه‌بندی دقیق داده و کد
- رفع خطا در سیستم‌های تولیدی یادگیری ماشین
- بهینه‌سازی عملکرد مدل در محیط استقرار
- ##MLOps
- ##MachineLearning
- ##DataEngineering
- ##AIEngineering
- ##ModelDeployment
- ##Kubernetes
- ##DVC
- ##MLflow
- ##EngineeringBestPractices
- ##ProductionML