أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :
تصميم نظام الذكاء الاصطناعي وعمليات MLOps: من البيانات الأولية إلى AWS Kubernetes (مشروع شامل) توقف عن التعلم الآلي في عزلة تركز معظم دورات التعلم الآلي على بناء النماذج بمعزل عن غيرها. أنت تقوم بتدريب نموذج، وتقييم دقته، والنظر في المهمة المنجزة. ولكن في أنظمة العالم الحقيقي، لا يمثل هذا سوى جزء صغير من المشكلة. فالمنظمات لا تحتاج إلى نماذج. إنهم بحاجة إلى أنظمة يمكنها:
- استيعاب بيانات العالم الحقيقي ومعالجتها
- إنشاء تنبؤات موثوقة
- خدمة تلك التنبؤات من خلال واجهات برمجة التطبيقات
- مراقبة الأداء بمرور الوقت
- التكيف عندما تتغير البيانات
تم تصميم هذه الدورة التدريبية لسد هذه الفجوة. القصة وراء هذا الإنجاز تخيل شبكة مستشفيات كبيرة تتعامل مع آلاف المرضى كل يوم. يصل المرضى بحالات مختلفة. تكون بعض الحالات روتينية، بينما تتصاعد حالات أخرى إلى حالات شديدة الخطورة تتطلب اهتمامًا فوريًا. وفي الوقت نفسه، تقوم كل زيارة بإنشاء سجلات الفواتير، والتي يتم تقديمها لاحقًا إلى مقدمي خدمات التأمين. تتم الموافقة على بعض المطالبات بسرعة، بينما يتم تأخير البعض الآخر أو رفضه، مما يؤدي إلى خسارة الإيرادات وعدم الكفاءة التشغيلية. الآن فكر في الأسئلة التي تطرحها قيادة المستشفى:
- هل يمكننا تحديد زيارات المرضى عالية المخاطر مبكرًا حتى يمكن تخصيص الموارد بشكل استباقي؟
- هل يمكننا التنبؤ بالمطالبات التي من المحتمل أن يتم رفضها قبل تقديمها؟
- هل يمكننا مراقبة النظام باستمرار والتكيف عندما تتغير أنماط المرضى أو سلوكيات التأمين؟
هذه ليست مجرد أسئلة نمذجة. إنها تتطلب نظامًا كاملاً ومصممًا جيدًا. طبقة البيانات ستبدأ بمجموعات البيانات الأولية مثل المرضى والزيارات وسجلات الفواتير. بدلاً من العمل مباشرة على ملفات CSV، ستقوم بإنشاء طبقة تحليلات منظمة باستخدام SQL، مما يضمن إمكانية الاستعلام عن البيانات والتحقق من صحتها وضمها بشكل صحيح. ستقوم بعد ذلك بإجراء تحليل بيانات استكشافية وإنشاء ميزات ذات معنى مثل تكرار الزيارة ومتوسط مدة الإقامة ومعدلات رفض مقدمي الخدمة.2. طبقة التعلم الآلي ستبني نموذجين من العالم الحقيقي:
- مصنف مخاطر الزيارة الذي يتنبأ بما إذا كانت زيارة المريض منخفضة أو متوسطة أو عالية الخطورة
- متنبأ نتائج المطالبة الذي يحدد ما إذا كان سيتم دفع المطالبة أو معلقة أو مرفوضة
ستنفذ خوارزميات متعددة، بما في ذلك الانحدار اللوجستي والغابة العشوائية وXGBoost، وتقييمها باستخدام المقاييس المناسبة مثل الدقة والاستدعاء ودرجة F1. والأهم من ذلك، أنك ستفهم كيف تؤثر جودة البيانات على أداء النموذج وكيف يمكن أن يؤدي تثبيت التسميات إلى تحسين النتائج بشكل كبير. طبقة MLOps هذا هو المكان الذي يصبح فيه النظام جاهزًا للإنتاج. ستدمج:
- MLflow لتتبع التجربة وإصدار النموذج
- DVC لإصدار البيانات وخطوط الأنابيب القابلة للتكرار
ستحدد عناصر واضحة مثل النماذج المدربة ومخططات الميزات وسجلات التنبؤ، مما يضمن أن كل خطوة في المسار قابلة للتتبع والتكرار.4. طبقة الخدمة: ستعرض نماذجك من خلال خدمة تعتمد على FastAPI مع نقاط نهاية محددة جيدًا للتنبؤ. ستفرض التحقق من صحة المدخلات باستخدام Pydantic وستبني واجهة قائمة على المتصفح باستخدام Gradio لأغراض العرض التوضيحي. وستنفذ أيضًا آليات مراقبة مثل اكتشاف الانجراف القائم على PSI لتحديد متى يبدأ النظام في التصرف بشكل مختلف بسبب التغييرات في البيانات الواردة.5. طبقة النشر السحابية سوف تقوم بوضع تطبيقك في حاوية باستخدام Docker ودفع الصور إلى AWS Elastic Container Registry. ستقوم بعد ذلك بنشر النظام على AWS EKS باستخدام Kubernetes، مما يتيح قابلية التوسع والتوافر العالي والتحديثات بدون توقف. وسيعمل خط أنابيب CI/CD الكامل باستخدام GitHub Actions على أتمتة خطوات البناء والاختبار والنشر.6. حلقة إعادة التدريب المستمرة لا يتوقف النظام بعد النشر. ستنفذ حلقة تعليقات حيث:
- يتم تسجيل التنبؤات
- يتم اكتشاف الانجراف
- يتم تشغيل إعادة التدريب باستخدام خطوط أنابيب DVC
وهذا يضمن أن النظام يتحسن باستمرار مع تدفق البيانات الجديدة. كيف تربط هذه الدورة بين النقاط أحد أكبر التحديات في تعلم الذكاء الاصطناعي والتعلم الآلي هو التجزئة. ستتعلم لغة SQL في مكان واحد، والنمذجة في مكان آخر، وواجهات برمجة التطبيقات في مكان آخر، والنشر السحابي بشكل منفصل. تربط هذه الدورة التدريبية كل هذه الأجزاء في نظام واحد متماسك. وسترى كيف:
- تدفق البيانات الأولية إلى تحليلات منظمة
- يتم تغذية الميزات في النماذج
- يتم تتبع النماذج وإصدارها
- يتم تقديم التنبؤات عبر واجهات برمجة التطبيقات
- يتم نشر الأنظمة في المراقبة السحابية
- تدفع إلى إعادة التدريب
بحلول النهاية، لن تفهم الأدوات الفردية فقط. ستفهم كيفية عملهم معًا. من أجل هذه الدورة؟ تعتبر هذه الدورة مثالية لـ:
- مهندسي البرمجيات الذين يرغبون في الانتقال إلى أنظمة الذكاء الاصطناعي/تعلم الآلة
- ممارسي التعلم الآلي الذين يرغبون في تعلم نشر الإنتاج
- مطوري الواجهة الخلفية المهتمين ببناء واجهات برمجة التطبيقات التي تعمل بالذكاء الاصطناعي
- المهندسين المعماريين الذين يرغبون في فهم تصميم نظام الذكاء الاصطناعي الشامل
ما الذي ستحققه بنهاية هذه الدورة التدريبية، سوف لديك:
- إنشاء نظام ذكاء اصطناعي متكامل وشامل
- نشره على AWS باستخدام الممارسات السحابية الحديثة
- تنفيذ آليات المراقبة وإعادة التدريب
- تطوير فهم قوي لبنية الإنتاج أولاً
والأهم من ذلك، أنك ستطور القدرة على التفكير فيما وراء النماذج وأنظمة التصميم التي تقدم قيمة أعمال حقيقية. ملاحظة أخيرة: هذه ليست دورة تدريبية حول مفاهيم معزولة. يتعلق الأمر ببناء شيء يشبه أنظمة العالم الحقيقي. إذا كان هدفك هو الانتقال من تعلم التعلم الآلي إلى تطبيقه في الإنتاج، فقد تم تصميم هذه الدورة التدريبية خصيصًا لك. إن هندسة الإنتاج أولاً ليست موضوعًا متقدمًا. هذا هو المعيار.
ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:
(احصل على الدورة للدخول إلى الموقع والتسجيل)
يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)
