مدل را به سیستمی تبدیل کنید که بتوان آن را ساخت، تحویل داد و پایش کرد
این گام برای کسی طراحی شده که Machine Learning را می‌شناسد، اما می‌خواهد از مرز Notebook و مدل آزمایشی عبور کند. در دو کورس پیوسته، ابتدا ساختار یک سیستم ML/DL قابل تکرار و تست‌پذیر را می‌سازید و سپس همان سیستم را با Versioning، Registry، API، Docker، CI/CD و پایش سیستم و مدل به جریان عملیاتی نزدیک می‌کنید.
آنچه در پایان با خودتان می‌برید
از مدل یادگیری ماشین تا یک جریان مهندسی قابل عملیات
هدف این گام اضافه‌کردن چند الگوریتم دیگر به جعبه‌ابزار شما نیست. قرار است بتوانید تصمیم‌های مدل‌سازی را در قالب یک سیستم قابل تکرار، تست، تحویل و پایش پیاده کنید.
01
مسئله را در سطح سیستم می‌بینید
KPI، داده، Metric، آموزش و پیش‌بینی را به‌عنوان اجزای مرتبط یک سیستم طراحی می‌کنید.
02
پروژه را مهندسی می‌کنید
Notebook را به Pipeline، Package، Config، CLI، Logging و Test تبدیل می‌کنید.
03
چرخه مدل را مدیریت می‌کنید
نسخه داده و کد، Experiment و مخزن نسخه‌های مدل را به یک جریان قابل ردیابی متصل می‌کنید.
04
مدل را به سرویس تبدیل می‌کنید
برای Prediction قرارداد API می‌سازید، سرویس را Containerize می‌کنید و مسیر Build و Release را شکل می‌دهید.
05
سیستم را پایش می‌کنید
Service، Data و Model Metrics، Drift، Alert و حالت شکست را برای سناریوی عملیاتی طراحی می‌کنید.
06
از معماری دفاع می‌کنید
با Repository، شناسنامه مدل، نمودار معماری سیستم، پایش سیستم و مدل Plan و راهنمای اقدام عملیاتی تصمیم‌ها و موازنه‌های فنی را توضیح می‌دهید.
معماری گام
دو کورس، یک زنجیره مهارتی
کورس اول سیستم را می‌سازد؛ کورس دوم همان سیستم را برای تحویل و عملیات آماده می‌کند. مرز دو کورس عمداً روشن است تا ابزارها جای مسئله مهندسی را نگیرند.
۱مهندسی سیستم‌های یادگیری | ML & DL Systems
از مسئله و داده تا Pipeline، کد، Test و ساختار یک سیستم یادگیری ماشین.
- ۹ هفته
- Problem Framing، Data Contract و Evaluation
- خط پردازش ویژگی‌ها، آموزش و پیش‌بینی
- بازآرایی کد، تنظیمات، ثبت رخداد و آزمون‌نویسی
- DL Training، تنظیم دقیق مدل و Inference با نگاه سیستمی
- DVC و MLflow در سطح مقدماتی و کاربردی
۲MLOps | مهندسی عملیات یادگیری ماشین
از سیستم یادگیری ماشین تا نسخه‌بندی، تحویل، استقرار، پایش و عملیات.
- ۶ هفته
- Git/DVC و بازتولیدپذیری تیمی
- MLflow Tracking و مخزن نسخه‌های مدل
- API، Docker و قرارداد سرویس
- کنترل کیفیت و انتشار Workflow
- پایش سیستم و مدل، Drift، Alert، راهنمای اقدام عملیاتی و گزارش تحلیل رخداد
یادگیری پروژه‌محور
پروژه، ستون فقرات یادگیری است
پروژه‌های مرجع مدرس الگوی اجرای تمیز را نشان می‌دهند، Labها یک مهارت محدود را تمرین می‌کنند و پروژه فردی شما در طول هر دو کورس رشد می‌کند.
سه تجربه برای دیدن چرخه کامل
نمونه‌های هدایت‌شده برای ML، DL و MLOps
سامانه هشدار زودهنگام خرابی آسانسور با داده‌های حسگر
از داده‌های زمانی IoT و Temporal Split تا Feature Pipeline، ارزیابی، تحلیل خطا و Repository قابل تکرار.
طبقه‌بندی متن با مدل‌های Transformer
تنظیم دقیق مدل، Validation و Inference همراه با مقایسه کیفیت، اندازه مدل، Latency و محدودیت‌های عملیاتی.
از سیستم ML تا سرویس قابل پایش
ادامه پروژه مرجع با Versioning، Registry، API، Docker، CI/CD و پایش سیستم و مدل تا مشاهده چرخه تحویل و عملیات.
تمرین‌های کوتاه برای شکستن و بازسازی سیستم
هر Lab یک مفهوم مهندسی را جدا و قابل مشاهده می‌کند
از Loss و Imbalance تا تصمیم مدل
Training Loop، Sampling، PR-AUC، Threshold و تحلیل هزینه خطا را روی مسئله‌های محدود تمرین می‌کنید.
از Reproduction تا Alert
نسخه مشخصی از Pipeline را بازسازی می‌کنید، API و Container را تست می‌کنید و برای Drift و Regression Test سناریوی پایش سیستم و مدل می‌سازید.
یک مسئله، دو کورس، یک خروجی قابل دفاع
پروژه از هفته‌های ابتدایی انتخاب می‌شود و تا پایان MLOps ادامه پیدا می‌کند
Portfolio Project
پروژه خودتان را به یک سیستم مهندسی‌شده تبدیل کنید
مسئله می‌تواند از خانواده Structured ML، Forecasting، سری زمانی، تصویر، متن یا Applied DL انتخاب شود. ابتدا معماری، Pipeline، Evaluation و Test را می‌سازید؛ سپس همان پروژه را Version، Package، Serve، Release و Monitor می‌کنید.
- ۱Proposal و Evaluation Plan
- ۲Pipeline، Package و Test
- ۳Registry، API و Container
- ۴CI/CD، پایش سیستم و مدل و دفاع نهایی
آنچه برای پورتفولیو می‌ماند
خروجی باید بیشتر از یک Notebook یا Accuracy باشد
در پایان گام، پروژه شما باید نشان دهد می‌توانید یک مدل را در قالب جریان مهندسی توضیح دهید، بازتولید کنید، تحویل دهید و برای خطاهایش برنامه داشته باشید.
مخزن کد ساختاریافته
ساختار روشن برای داده، Feature، Training، Evaluation و Prediction همراه با Config و دستور اجرا.
Evaluation & Test Evidence
Split، Metric، Baseline، Error Analysis و تست‌های حیاتی پروژه با منطق انتخاب مستند.
Versioning & Registry
ارتباط نسخه کد و داده با Experiment و مدل ثبت‌شده برای ردیابی آنچه Release شده است.
سرویس آماده استقرار
API Contract، Validation، Logging، Health Check و Docker Image برای ارائه Prediction.
CI/CD & Release
Quality Gate، Build، Test و Release Workflow همراه با منطق Rollback.
پایش سیستم و مدل & راهنمای اقدام عملیاتی
طرح پایش Service/Data/Model، Alert، Failure Scenario، راهنمای اقدام عملیاتی و گزارش تحلیل رخداد.
دو نقطه شروع، یک مقصد
این گام فقط برای Data Scientistها نیست
گام طوری طراحی شده که دو گروه با پیش‌زمینه متفاوت بتوانند به یک مقصد مشترک برسند: ساخت و عملیات یک سیستم یادگیری ماشین.
اگر از Data Science می‌آیید
مدل‌سازی و ارزیابی برایتان آشناست؛ اینجا یاد می‌گیرید مدل را از Notebook خارج کنید و به Pipeline، کد ماژولار، Test، Versioning، Service و پایش سیستم و مدل متصل کنید.
اگر از Software Development می‌آیید
ساختار کد و توسعه نرم‌افزار برایتان آشناست؛ مفاهیم لازم از Data Preparation و Featureها تا Modeling، Evaluation و Error Analysis را در متن پروژه تجربه می‌کنید و سپس آن را به یک ML System قابل عملیات تبدیل می‌کنید.
خودارزیابی پیش از ثبت‌نام
آیا برای ورود آماده‌اید؟ در چند دقیقه بررسی کنید
این فرم آزمون پذیرش نیست. هدف آن این است که قبل از شروع بدانید کدام پایه‌ها را دارید و کجا به Catch-up نیاز دارید. موارد «ضروری» پایه اجرای پروژه‌اند؛ موارد ML/DL مزیت‌اند و می‌توانند در جریان دوره جبران شوند.
کدنویسی و کار با داده
- می‌توانم Function بنویسم و با List، Dict، شرط و Loop کار کنم.
- کد موجود را می‌خوانم، تغییر می‌دهم و Traceback خطاهای معمول را دنبال می‌کنم.
- مفهوم Module/Package را می‌شناسم و می‌توانم کد را به اجزای منطقی تقسیم کنم.
- Virtual Environment می‌سازم و Dependencyهای پروژه را نصب می‌کنم.
- با Pandas داده را می‌خوانم، فیلتر می‌کنم، تغییر می‌دهم و GroupBy ساده انجام می‌دهم.
- با فایل‌های رایج مانند CSV و JSON کار کرده‌ام.
اجرای پروژه و کنترل نسخه
- clone، status، add، commit، pull و push را در Git انجام می‌دهم.
- مفهوم Branch را می‌شناسم و می‌توانم یک Repository را از روی README اجرا کنم.
- در Terminal بین پوشه‌ها حرکت می‌کنم و فایل‌ها و Commandهای پایه را مدیریت می‌کنم.
- با Path، Permission و Environment Variable در حد استفاده روزمره پروژه آشنا هستم.
- HTTP، Request/Response و JSON را در حد استفاده از یک REST API می‌شناسم.
- می‌توانم مستندات فنی انگلیسی را، در صورت نیاز با کمک ابزارهای AI، دنبال کنم.
آشنایی قبلی با ML/DL
- Classification و Regression و Train/Validation/Test را می‌شناسم.
- با Metricهایی مانند Precision، Recall و F1 آشنایی اجمالی دارم.
- Overfitting و نیاز به آماده‌سازی Featureها را در سطح شهودی می‌فهمم.
- حداقل یک مدل scikit-learn را Fit و Predict کرده‌ام یا تجربه مشابه دارم.
- Cross-validation/Hyperparameter و مفاهیم پایه آمار و جبر خطی برایم آشنا هستند.
- با Neural Network، Training، Epoch و Loss آشنایی اولیه دارم.
| نتیجه بخش ضروری | پیشنهاد |
|---|---|
| ۷۰٪ و بیشتر | آماده ورود مستقیم؛ ضعف‌های محدود را می‌توانید هدفمند جبران کنید. |
| ۶۰٪ تا کمتر از ۷۰٪ | ورود ممکن است، اما Catch-up فنی پیش از شروع یا همزمان با هفته‌های اول توصیه می‌شود. |
| کمتر از ۶۰٪ | بهتر است ابتدا Foundation فنی را تکمیل کنید و سپس وارد گام شوید. |
مرزبندی صادقانه
این گام چه چیزی هست و چه چیزی نیست؟
ML Engineer در این طراحی، پل میان مدل‌سازی و سیستم عملیاتی است. بنابراین عمق دوره روی Workflow، بازتولیدپذیری، Delivery و پایش سیستم و مدل قرار دارد، نه روی پوشش حداکثری ابزارهای زیرساختی.
| حوزه | جایگاه در گام |
|---|---|
| ML/DL System Design، Pipeline و Testing | پوشش محوری |
| Git/DVC، MLflow و مخزن نسخه‌های مدل | پوشش عملی |
| API، Docker و CI/CD | پوشش عملی |
| پایش سیستم و مدل، Drift، Alert و راهنمای اقدام عملیاتی | پوشش محوری |
| Deep Learning | Training، تنظیم دقیق مدل و Inference با تمرکز بر ملاحظات سیستمی |
| Airflow | در حد Case Study معماری، نه محور الزامی اجرا |
| Kubernetes و زیرساخت پیچیده Cloud | خارج از Scope الزامی این گام |
| GenAI Engineering | گام بعدی مسیر مهندسی هوش مصنوعی |
جایگاه در مسیر
یک گام مستقل، و در عین حال پایه مهندسی برای ادامه مسیر AI
می‌توانید این گام را برای ساخت مهارت ML Engineering به‌صورت مستقل بگذرانید. در معماری مسیر مهندسی هوش مصنوعی دایکه، پس از آن گام GenAI Engineer قرار می‌گیرد تا همین نگاه مهندسی به سیستم‌های مبتنی بر مدل‌های مولد و LLM منتقل شود.
۱ML Engineer
سیستم‌های ML/DL، MLOps، تحویل و عملیات مدل.
- ۲ کورس پیوسته
- ۱۵ هفته در نقشه فعلی
- پروژه فردی قابل ارائه
۲GenAI Engineer
ادامه مسیر برای مهندسی محصولات و سیستم‌های مبتنی بر مدل‌های مولد.
- گام بعدی مسیر AI Engineer
- تمرکز مستقل بر معماری و پروژه‌های GenAI
- جزئیات در صفحه اختصاصی همان گام
این گام را با چهار نوع تجربه یادگیری می‌سازید
پروژه مرجع برای دیدن اجرای کامل یک سیستم، تمرین مهارتی برای ساختن یک توان محدود، مطالعه موردی برای مقایسه گزینه‌های معماری و پروژه فردی برای ساخت نمونه‌کار شخصی. این چهار لایه باعث می‌شوند پروژه‌ها صرفاً فهرستی از عنوان‌ها نباشند و هرکدام نقش روشنی در یادگیری داشته باشند.
پروژه فردی در طول هر دو کورس عوض نمی‌شود. از قرارداد فنی و ارزیابی شروع می‌کنید، به مخزن کد و آزمون می‌رسید و در کورس MLOps همان سیستم را تا سرویس، انتشار، پایش، رخداد عملیاتی و دفاع نهایی ادامه می‌دهید.
پیش از ثبت‌نام
پرسش‌های پرتکرار
من Software Developer هستم اما Machine Learning را کم می‌شناسم؛ می‌توانم وارد گام شوم؟
بله، اگر پایه فنی لازم در Python، Git و Terminal/Linux و کار با داده را دارید. مفاهیم موردنیاز از Data Preparation و Featureها تا Modeling، Evaluation و Error Analysis در متن پروژه کورس اول آموزش داده می‌شوند. آشنایی قبلی با ML مزیت است، نه شرط حذف‌کننده.
پس Machine Learning و Deep Learning هم در این گام آموزش داده می‌شوند؟
به‌اندازه‌ای که برای ساخت و مهندسی یک سیستم ML/DL لازم است، بله. مدل را Black Box تحویل نمی‌گیرید؛ چرخه آماده‌سازی داده، مدل‌سازی، Evaluation و Error Analysis را تجربه می‌کنید. اما این گام جایگزین یک مسیر جامع آموزش الگوریتم‌های ML و DL نیست.
اگر بخواهم ML و DL را عمیق‌تر یاد بگیرم چه کنم؟
گام «مدل‌ساز داده‌محور» مسیر مکمل پیشنهادی است و شامل کورس‌های «داده‌کاوی و یادگیری ماشین کاربردی» و «یادگیری عمیق کاربردی» است. آنجا تمرکز بیشتری بر مهندسی ویژگی، الگوریتم‌ها، Tuning، Evaluation و تحلیل خطا دارید.
اگر در Python، Git، API یا Linux ضعف داشته باشم چه کنم؟
برای Foundation فنی، گام «تکنسین دیتاساینس» با کورس‌های برنامه‌نویسی و منابع داده، همراه با محتوای تکمیلی «کاربری Linux و Docker»، مسیر Catch-up پیشنهادی است. لازم نیست کل مسیر دانشمند داده را بگذرانید.
آیا این گام Machine Learning را از صفر آموزش می‌دهد؟
خیر. مدل‌های منتخب در متن پروژه استفاده می‌شوند، اما هدف اصلی تبدیل دانش مدل‌سازی به توانایی ساخت و عملیات یک سیستم ML است.
آیا پروژه جداگانه‌ای برای هر کورس می‌سازم؟
پروژه‌های مرجع و Labهای هر کورس متفاوت‌اند، اما پروژه فردی پورتفولیو در طول هر دو کورس ادامه پیدا می‌کند تا در پایان یک داستان مهندسی منسجم داشته باشید.
آیا Kubernetes و Cloud هم آموزش داده می‌شود؟
نه به‌عنوان تعهد اصلی این گام. تمرکز روی اصول و ابزارهای چرخه ساخت، تحویل و پایش سیستم ML است. زیرساخت پیچیده Kubernetes و Cloud خارج از Scope الزامی است.
آیا Deep Learning بخش اصلی گام است؟
DL در کورس اول به‌صورت یک مسیر فشرده برای Training، تنظیم دقیق مدل و Inference وارد می‌شود تا تفاوت‌های سیستمی آن را تجربه کنید. این گام جایگزین دوره جامع Deep Learning از صفر نیست.
بعد از این گام چه مسیری دارم؟
می‌توانید همین‌جا روی نقش‌ها و پروژه‌های ML Engineering تمرکز کنید یا در معماری مسیر مهندسی هوش مصنوعی دایکه وارد گام GenAI Engineer شوید.
قدم بعدی
از ساخت مدل به ساخت سیستم بروید
برنامه دو کورس را بررسی کنید یا گزینه‌های ثبت‌نام گام مهندس یادگیری ماشین را در باکس رسمی محصول ببینید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.