إدارة دورات حياة التعلم الآلي باستخدام MLflow

بناء نماذج التعلم الآلي هو نصف المعركة فقط؛ إذ يمكن أن يصبح تتبع التجارب، وإعادة إنتاج النتائج، ونشر النماذج في مرحلة الإنتاج فوضوياً بسرعة. بدون سير عمل منظم، تصبح إدارة إصدارات التعليمات البرمجية، والمعاملات الفائقة (hyperparameters)، ومخرجات النماذج (model artifacts) عنق زجاجة رئيسي. ترشدك هذه الدورة التدريبية النصية عبر المكونات الأساسية لـ MLflow، وهي منصة مفتوحة المصدر مصممة لإدارة دورة حياة التعلم الآلي الشاملة. ستتعلم كيفية تتبع التجارب بشكل منهجي، وتغليف التعليمات البرمجية الخاصة بك من أجل قابلية إعادة الإنتاج، ونشر النماذج بثقة. ما ستتعلمه: - فهم المفاهيم الأساسية لدورة حياة التعلم الآلي وهندسة MLflow. - تتبع التجارب، والمعاملات (parameters)، والمقاييس (metrics)، والمخرجات (artifacts) باستخدام MLflow Tracking والتسجيل التلقائي (automatic logging). - تغليف التعليمات البرمجية للتعلم الآلي في عمليات تشغيل قابلة لإعادة الاستخدام وقابلة لإعادة الإنتاج باستخدام MLflow Projects. - إدارة النماذج وتحديد إصداراتها ونقلها عبر مراحل مختلفة باستخدام MLflow Model Registry. - نشر النماذج المدربة في بيئات الإنتاج باستخدام MLflow Models. - تطبيق ميزات MLflow الحديثة لتقييم النماذج وتتبع مطالبات ومخرجات نماذج اللغة الكبيرة (large language model prompts and outputs). ستبدأ بإتقان المفاهيم والمصطلحات الأساسية لدورة حياة التعلم الآلي قبل التعمق في الشروحات المكتوبة ومقتطفات التعليمات البرمجية العملية لكل مكون أساسي من مكونات MLflow. ترشدك الدورة خطوة بخطوة بدءاً من إعداد التجربة الأولي وصولاً إلى النشر النهائي للنموذج. تم تصميم هذه الدورة لعلماء البيانات المبتدئين، ومهندسي التعلم الآلي، والمطورين الذين يفهمون مفاهيم Python الأساسية ومفاهيم التعلم الآلي ولكنهم يريدون تنظيم وتوسيع نطاق سير عملهم. لا تتطلب أي خبرة سابقة في MLflow. ابدأ بتنظيم مشاريع التعلم الآلي الخاصة بك وبناء مسارات عمل قابلة لإعادة الإنتاج اليوم.