از یک سیستم یادگیری ماشین ساختاریافته تا یک سیستم قابل استقرار، پایش و عملیات
در این کورس، سیستم ML ساخته‌شده در کورس اول را وارد چرخه واقعی تحویل و عملیات می‌کنید: نسخه‌بندی تیمی داده و کد، ردیابی و Registry مدل، ساخت API و Container، ایجاد CI/CD، Deployment، پایش سیستم و مدل و مدیریت Incident. هدف، یادگیری ابزارها به‌صورت جداگانه نیست؛ هدف ساخت یک جریان قابل تکرار از تغییر تا انتشار و پایش است.
فاصله میان ML System و Production
مدلی که اجرا می‌شود، هنوز یک سرویس عملیاتی نیست
وقتی یک ML System ساخته شد، مسئله تمام نمی‌شود. باید بتوان دانست این نسخه با کدام داده و کد ساخته شده، کدام مدل منتشر شده، سرویس چگونه Build و Test می‌شود، تغییرات چگونه به محیط اجرا می‌رسند و اگر داده یا عملکرد مدل تغییر کرد، چه کسی و چگونه باید واکنش نشان دهد.
وقتی مدل فقط «کار می‌کند»
- نسخه داده و Artifact با Run مدل به‌صورت روشن مرتبط نیست.
- مدل منتخب در یک Registry با معیار انتشار مشخص مدیریت نمی‌شود.
- API و محیط اجرا وابستگی‌های پنهان یا فرآیند دستی دارند.
- هر Release نیازمند اجرای دستی چند مرحله و احتمال خطای انسانی است.
- بعد از Deployment معلوم نیست افت کیفیت از سرویس، داده یا خود مدل آمده است.
رویکرد این کورس
- اتصال Git، DVC و Artifact برای بازتولیدپذیری
- Tracking و Registry مدل با MLflow و معیار Promotion
- ساخت API، Docker Image و Health/Smoke Test
- CI/CD با Quality Gate، Secret Handling و Rollback Path
- پایش سیستم و مدل، Drift، Alert، راهنمای اقدام عملیاتی و Incident Response
معماری قطعی کورس
۶ هفته؛ از نسخه‌بندی تیمی تا عملیات و دفاع نهایی
این کورس ادامه مستقیم سیستم یادگیری ماشین ساخته‌شده در کورس اول است. هر هفته یک بخش از چرخه تحویل و عملیات به همان پروژه فردی اضافه می‌شود و در پایان، پروژه باید یک شبیه‌سازی محیط واقعی، پایش سیستم و مدل Plan و راهنمای اقدام عملیاتی قابل دفاع داشته باشد.
نسخه‌بندی کد و داده با Git و DVC
Remote Storage، Pull/Push داده، Reproduce، Tag/Release و Lineage؛ بازسازی یک نسخه قبلی و تحویل DVC Pipeline، Tag نسخه و Reproduction Log.
مدیریت آزمایش‌ها و نسخه‌های مدل با MLflow
Tracking Server، Registry Lifecycle، Promotion Criteria و ارتباط Run با Release؛ ساخت Registered Model و Decision Note برای انتخاب نسخه قابل انتشار.
ساخت سرویس و محفظه اجرایی با API و Docker
Online/Batch Interface، FastAPI، Schema Validation، Error Handling، Logging و Health Check؛ ساخت Docker Image و API Contract با Smoke Test.
CI/CD
Lint، Test، Build، Secrets، Artifact، Environment و Rollback Strategy؛ ساخت Pipeline انتشار و Release Candidate با Quality Gate.
پایش سیستم و مدل
Service/Data/Model Metrics، Data Quality، Drift، Concept Drift، Label Delay و Alert Design؛ ساخت پایش سیستم و مدل Plan، Dashboard/Report و Alert راهنمای اقدام عملیاتی.
عملیات و دفاع فنی
Deployment یا شبیه‌سازی محیط واقعی، Rollback، Incident، گزارش تحلیل رخداد و Technical Debt؛ دفاع نهایی معماری و تحویل Final Portfolio.
یادگیری پروژه‌محور، با یک خط داستانی پیوسته
یک پروژه مرجع، Caseهای معماری و همان پروژه فردی شما
در MLOps تمرکز روی اتصال اجزای یک سیستم است. پروژه مرجع مدرس این مسیر را از نسخه‌بندی تا Alert نشان می‌دهد؛ Caseها برای دیدن الگوهای متفاوت‌اند و پروژه فردی شما همان سیستمی است که باید تا پایان کورس عملیاتی‌تر شود.
— از Repository تا Alert
یک خط داستانی کامل برای دیدن چرخه MLOps
سامانه هشدار زودهنگام خرابی آسانسور با داده‌های حسگر
همان پروژه مرجع ML Systems از DVC و MLflow به API، Docker، CI/CD و پایش سیستم و مدل می‌رسد؛ در پایان مسیر، از یک Commit تا Release و Alert را دنبال می‌کنید.
End-to-End MLOps، پایش سیستم و مدل و Deployment در قالب Case Study برای مقایسه معماری‌ها و موازنه‌های فنی؛ ابزارهای Cloud پیچیده الزاماً بازسازی کامل نمی‌شوند.
تمرین‌های محدود برای شکستن و بازسازی سیستم
تمرین موضوعی، پروژه کامل محسوب نمی‌شود
نسخه‌بندی و Reproduction
یک Pipeline را عمداً از حالت قابل اجرا خارج کنید، نسخه داده را Checkout کنید و Artifact را از روی نسخه مشخص دوباره بسازید.
از Contract تا Alert
API Contract و Container را تست کنید؛ سپس Drift Report، Regression Test و Alert را روی سناریوی پایش سیستم و مدل تمرین کنید. Airflow در در حد Case Study معماری است.
همان پروژه کورس اول را تا عملیات ادامه دهید
بدون تعویض مسئله؛ تمرکز روی Operationalization
Portfolio Project
از سیستم یادگیری ماشین تا شبیه‌سازی محیط واقعی
پروژه فردی شما از کورس اول وارد MLOps می‌شود. در اینجا باید نسخه‌بندی، Registry، Service، CI/CD، پایش سیستم و مدل و راهنمای اقدام عملیاتی را به همان سیستم اضافه کنید و در پایان بتوانید درباره Release، Failure و Rollback از آن دفاع کنید.
- ۱DVC + Reproduction
- ۲مدیریت آزمایش‌ها و نسخه‌های مدل با MLflow + Promotion
- ۳ساخت سرویس و محفظه اجرایی با API و Docker
- ۴CI/CD + پایش سیستم و مدل + راهنمای اقدام عملیاتی
خروجی قابل بررسی
در پایان فقط چند ابزار نصب‌شده ندارید؛ یک زنجیره تحویل دارید
معیار پایان کورس این است که نشان دهید تغییرات سیستم چگونه نسخه‌بندی، Build، Test، Release، Deploy و Monitor می‌شوند و هنگام Failure چه مسیری برای واکنش وجود دارد.
خط پردازش نسخه‌بندی‌شده
DVC Pipeline، نسخه داده، Tag و Reproduction Log برای بازسازی یک Artifact مشخص.
مخزن نسخه‌های مدل
Experiment Dashboard، Registered Model و Decision Note با معیار روشن برای Promotion.
سرویس آماده استقرار
API Contract، Schema Validation، Health Check، Docker Image و Smoke/Contract Test.
جریان کنترل کیفیت و انتشار
Quality Gate، Lint/Test/Build، Secret Handling، Release Tag و Deployment Checklist.
پایش و هشدار
Service/Data/Model Metrics، Drift Report، Dashboard و Alert راهنمای اقدام عملیاتی برای سناریوهای مشخص.
راهنمای اقدام عملیاتی و گزارش رخداد
مسیر Rollback، Incident Response، گزارش تحلیل رخداد و فهرست Technical Debt برای ادامه کار.
دستاورد کورس
در پایان، چه توانمندی‌هایی ساخته‌اید؟
بازتولیدپذیری
می‌توانید نسخه مشخص داده، کد و Artifact را بازسازی و مسیر تولید آن را ردیابی کنید.
چرخه عمر مدل
Experiment را Track می‌کنید، مدل را Registry می‌کنید و Promotion را با معیار مشخص انجام می‌دهید.
تحویل مدل به‌صورت سرویس
مدل را از یک Artifact آموزشی به Interface قابل استفاده با API، Contract و Container تبدیل می‌کنید.
کنترل کیفیت و انتشار
برای تغییرات سیستم Quality Gate، Build، Release و مسیر Rollback تعریف می‌کنید.
پایش سیستم و مدل
سلامت Service، کیفیت Data و رفتار Model را از هم تفکیک و برای آن‌ها Metric و Alert طراحی می‌کنید.
مدیریت رخداد و عملیات
با راهنمای اقدام عملیاتی، Rollback و گزارش تحلیل رخداد می‌توانید درباره Failure و عملیات سیستم به‌صورت فنی دفاع کنید.
مرزبندی صادقانه
این کورس «فهرست ابزارهای MLOps» نیست
تمرکز روی ساخت یک جریان End-to-End است. ابزارها برای حل یک مسئله وارد می‌شوند، نه برای اینکه هر سرویس ممکن Cloud یا هر ابزار مشهور MLOps تدریس شود.
| حوزه | جایگاه در این کورس |
|---|---|
| Git و DVC | پوشش محوری |
| MLflow Tracking و Registry | پوشش محوری |
| API، Docker و Service Contract | پوشش محوری |
| کنترل کیفیت و انتشار | پوشش محوری |
| پایش سیستم و مدل، Drift و Alert | پوشش محوری |
| Deployment و شبیه‌سازی محیط واقعی | پوشش عملی در سطح پروژه و سناریوی اجرایی |
| Airflow | در به‌عنوان Case Study معماری؛ نه آموزش کامل Workflow هماهنگی اجزا و جریان کار |
| Kubernetes و Cloud Infrastructure پیچیده | خارج از Scope الزامی کورس |
جایگاه کورس
کورس دوم گام مهندس یادگیری ماشین
این کورس ۶ هفته دوم گام ML Engineer است. نقطه شروع آن سیستم یادگیری ماشین ساخته‌شده در کورس اول است و خروجی آن یک سیستم نسخه‌پذیر و قابل استقرار همراه با API، Container، CI/CD، پایش سیستم و مدل و مستندات عملیاتی است.
پیش از MLOps
باید بتوانید یک ML System را بسازید و منطق Training/Inference آن را توضیح دهید.
- سیستم یادگیری ماشین ساخته‌شده در کورس اول
- مخزن کد ساختاریافته
- Pipeline + Test + شناسنامه مدل + Diagram
در MLOps
همان سیستم را وارد چرخه Version، Release، Deployment، پایش سیستم و مدل و Incident می‌کنید.
- ۶ هفته
- ۳۶ ساعت کلاس اجرای اول
- DVC، MLflow، API، Docker، CI/CD و پایش سیستم و مدل
مخاطب و پیش‌نیاز
نقطه ورود MLOps، یک ML System آماده ادامه است
این کورس نقطه شروع گام نیست. برای ورود مستقیم باید خروجی کورس «ML & DL Systems» یا توان معادل آن را داشته باشید تا زمان کلاس صرف ساخت چرخه تحویل و عملیات شود.
آماده ورود هستید اگر
- یک پروژه ML ساختاریافته دارید که Training، Evaluation و Prediction آن قابل اجراست.
- Repository پروژه از Notebook منفرد فراتر رفته و ساختار ماژولار یا Pipeline روشن دارد.
- با Python، Git و Terminal/Linux کار می‌کنید.
- مفهوم Test، بازتولیدپذیری، Config و Logging در پروژه ML برایتان آشناست.
ابتدا کورس اول یا Catch-up را تکمیل کنید اگر
- هنوز Pipeline آموزش و Prediction را نمی‌توانید مستقل اجرا کنید.
- پروژه شما کاملاً به Notebook وابسته است و ساختار Repository روشنی ندارد.
- Git یا خط فرمان برایتان ناآشناست.
- هنوز تجربه عملی Evaluation و Error Analysis روی یک مسئله ML ندارید.
خودارزیابی ورود مستقیم
آیا خروجی معادل کورس اول را دارید؟
اگر کورس ML & DL Systems را گذرانده‌اید، این بخش عملاً تأیید آمادگی شماست. برای ورود مستقیم، بیشتر موارد زیر باید برایتان تجربه عملی باشند.
Training تا Prediction
- می‌توانم Training و Prediction را خارج از Notebook اجرا کنم.
- Data/Feature Pipeline و Evaluation را در پروژه توضیح می‌دهم.
- Baseline، Metric و Error Analysis پروژه را می‌شناسم.
Repository قابل ادامه
- کد پروژه ساختار ماژولار و مسیر اجرای روشن دارد.
- با Config، Logging و Testهای پایه آشنا هستم.
- می‌توانم پروژه را از README و Environment مشخص بازتولید کنم.
Git و خط فرمان
- Workflow پایه Git را مستقل انجام می‌دهم.
- در Terminal/Linux پروژه را اجرا و خطاهای معمول را دنبال می‌کنم.
- مفاهیم API/HTTP و Environment Variable برایم آشناست.
از یک مدل قابل اجرا تا سرویسی که می‌شود اداره‌اش کرد
در این کورس قرار نیست چند ابزار MLOps را جداگانه امتحان کنید. همان سیستم ساخته‌شده در کورس قبل وارد یک زنجیره واقعی می‌شود: نسخه‌بندی داده و مدل، مدیریت نسخه‌های مدل، ساخت API و Docker، کنترل کیفیت انتشار، پایش و واکنش به رخداد.
پروژه مرجع خرابی آسانسور تا سرویس قابل پایش ادامه پیدا می‌کند. در مطالعه‌های موردی نیز با تصمیم‌هایی مثل «پردازش دسته‌ای یا برخط؟»، «چه زمانی نسخه جدید مدل منتشر شود؟» و «با تغییر توزیع داده چه کنیم؟» روبه‌رو می‌شوید. خروجی نهایی فقط Deployment نیست؛ راهنمای اقدام عملیاتی، سناریوی شکست و دفاع فنی هم بخشی از کار است.
پیش از ثبت‌نام
پرسش‌های پرتکرار
آیا می‌توانم بدون گذراندن ML & DL Systems مستقیماً وارد MLOps شوم؟
بله، به شرط آنکه واقعاً خروجی معادل داشته باشید: پروژه ML ساختاریافته، Training/Evaluation/Prediction قابل اجرا، مخزن کد ساختاریافته، Test/بازتولیدپذیری پایه و تسلط عملی به Python، Git و Terminal/Linux. فرم خودارزیابی همین صفحه برای این تصمیم طراحی شده است.
اگر در مدل‌سازی ML ضعف داشته باشم چه کنم؟
اگر هنوز ساخت و ارزیابی یک سیستم ML برایتان مبهم است، ابتدا ML & DL Systems را بگذرانید. برای یادگیری عمیق‌تر خود مدل‌ها و DL نیز گام «مدل‌ساز داده‌محور» مسیر مکمل است.
اگر مشکل من بیشتر Python، API، Git یا Linux باشد چه کنم؟
گام «تکنسین دیتاساینس» و محتوای تکمیلی «کاربری Linux و Docker» برای Catch-up فنی مناسب‌ترند. MLOps قرار نیست این Foundation را از صفر بازسازی کند.
آیا MLOps فقط آموزش DVC و MLflow است؟
خیر. DVC و MLflow بخش نسخه‌بندی و چرخه مدل هستند. ادامه کورس شامل API، Docker، CI/CD، Deployment، پایش سیستم و مدل، Alert و راهنمای اقدام عملیاتی است تا یک جریان End-to-End شکل بگیرد.
آیا Docker و FastAPI در این کورس آموزش داده می‌شوند؟
بله، در هفته ۱۲ برای ساخت Interface قابل استقرار، Schema Validation، Error Handling، Health Check، Container و Smoke/Contract Test وارد جریان پروژه می‌شوند.
آیا باید Kubernetes و Cloud را بلد باشم؟
خیر. Kubernetes و زیرساخت پیچیده Cloud در Scope الزامی این کورس نیستند. برخی Case Studyها برای دیدن معماری‌های بزرگ‌تر استفاده می‌شوند، اما هدف دوره بازسازی آن زیرساخت‌ها نیست.
آیا Airflow هم آموزش داده می‌شود؟
Airflow در پروژه به‌عنوان بخشی از Case Study پایش سیستم و مدل دیده می‌شود، اما آموزش کامل Airflow و هماهنگی اجزا و جریان کار در Scope اصلی کورس نیست.
پروژه اصلی دانشجو چیست؟
همان پروژه فردی کورس ML & DL Systems. پروژه عوض نمی‌شود؛ DVC، Registry، Service، CI/CD، پایش سیستم و مدل و راهنمای اقدام عملیاتی روی همان سیستم اضافه می‌شوند.
خروجی نهایی دقیقاً چیست؟
شبیه‌سازی محیط واقعی، راهنمای اقدام عملیاتی، گزارش تحلیل رخداد و Final Portfolio، همراه با خط پردازش نسخه‌بندی‌شده، Registered Model، سرویس آماده استقرار، جریان کنترل کیفیت و انتشار و پایش سیستم و مدل Plan.
قدم بعدی
سیستم را از «قابل اجرا» به «قابل اداره» برسانید
سرفصل ۶ هفته‌ای را بررسی کنید یا گزینه‌های ثبت‌نام کورس و گام مهندس یادگیری ماشین را در باکس رسمی محصول ببینید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.