MLEs - Scale ML System 03

<ul><li>Khái niệm MLOps</li><li>Quy trình thiết kế</li><li>Quá trình phát triển</li><li>Ví dụ về một bài toán cụ thể</li><li>Triển khai</li><li>Các công cụ</li></ul>

Giới thiệu về MLOps

Các bước trong vòng đời MLOps

Quá trình Exploratory Data Analysis bao gồm?

Khái niệm MLOPs

Design - Quy trình thiết kế

Giá trị đem lại cho người dùng + Yêu cầu kinh doanh

Chất lượng dữ liệu

Vấn đề này là?

Chỉ số đánh giá

Design - Thiết kế

Thu thập dữ liệu

Crawl và lưu trữ data Tiếng Việt

Làm sạch dữ liệu

Khám phá dữ liệu

Lựa chọn và biến đổi dữ liệu

Sắp xếp thứ tự các bước trong Feature engineering?

Development - Quá trình xử lý dữ liệu

[MLEs] 10.2.1. Bộ dữ liệu Titanic.mp4

[MLEs] 10.2.2. Đặc trưng số và đặc trưng phân loại.mp4

[MLEs] 10.2.3. Giả định và phân tích.mp4

[MLEs] 10.2.4. Xử lý dữ liệu thiếu.mp4

[MLEs] 10.2.5. Tạo khoảng giá trị.mp4

Đường dẫn Notebook

Ví dụ về một bài toán tiền xử lý dữ liệu

Development - Quá trình training

Thử nghiệm học máy

Lợi ích của việc sử dụng các công cụ để theo dõi thử nghiệm?

Development - Quá trình đào tạo

Các thành phần chính

Operations - Triển khai trên server

Operations - Theo dõi mô hình

Operations - Triển khai

Công cụ xây dựng vòng đời học máy và theo dõi thử nghiệm

Các công cụ

MLOps

Trong bài tập này chúng ta sẽ học cách lập trình process, cách truy cập chung dữ liệu giữa các process.




Bài tập 3 - Thực hành lập trình Process

- Hướng dẫn làm quen với hệ thống. - Học máy là gì.

Ôn tập Học máy

  * Giới thiệu bài toán Grab
  * Quá trình xây dựng một mô hình
  * Mô hình hồi quy tuyến tính
  * Thuật toán Gradient Descent
  * Lập trình hồi quy tuyến tính một biến
 



Mô hình hồi quy tuyến tính

Khai giảng lớp học

# Bài tập lập trình: Thử nghiệm các mô hình phân loại cảm xúc văn bản
```
ProtonX - MLEs Class
```

### Hướng dẫn làm bài
- Trong bài tập này bạn sẽ sử dụng Python 3.
- Sau khi bạn viết Code của mình xong, hãy chạy dòng Code đó để xem kết quả bên dưới.

### [Quan trọng] Chú ý
- **Không sử dụng hàm `input()` tại bất kỳ dòng lệnh nào**


Các bạn sẽ thực hiện `code` trong các phần hiển thị `#TODO: Lập trình tại đây` và thay thế các vị trí `None`. Có những câu hỏi chỉ cần trả về đáp án.

Sau khi viết xong Code của bạn, bạn hãy ấn "SHIFT"+"ENTER" để thực hiện chạy lệnh của Cell đó.

---
Điểm số:
* 10 điểm / Câu
* Câu cuối 20 điểm

Tiêu chí chấm điểm:
* Các bài tập sẽ được chấm dựa trên các Test-case.


Bài tập 1 - Lập trình HuggingFace

- Thư viện Tensorflow với bài toán phân loại hình ảnh
- Thư viện HuggingFace với bài toán phân loại văn bản

Pytorch + Tensorflow + HuggingFace

# Yêu cầu

### 1. Làm sạch dữ liệu

Đọc các phần tử trong file `sample.json`

Trường `message` của các phần tử sẽ được làm sạch bằng cách xoá tất cả link website có thể có. Ví dụ 

```
MUA NGAY: https://cellphones.com.vn/xiaomi-redmi-note-11-pro.html?utm_source=social&utm_medium=fanpage&utm_campaign=/xiaomi-redmi-note-11-pro.html\n.\n☀
```

Sẽ chỉ được làm sạch còn

```
MUA NGAY: \n.\n☀
```


### 2. Thêm dữ liệu vào database
Tạo database có tên là `raw_data` và thêm các dữ liệu này vào collection `sample`.

Các phần tử được thêm vào colection dưới dạng

```
{
    "_id":
    "id":
    "message":
}
```

### 3. Nộp bài
- Nén project này thành zip và gửi lên hệ thống ProtonX
- Gửi đường dẫn truy cập vào mongoDB của bạn để team ProtonX chạy test chấm bài. Chú ý mở truy cập vào database ở IP: 0.0.0.0/0


Đọc thêm về tiền xử lý dữ liệu văn bản [tại đây](https://web.stanford.edu/~jurafsky/slp3/2.pdf) 


Bài tập 2 - MongoDB

Cách sử dụng DB lưu trữ dữ liệu hiệu quả

MongoDB + Crawl dữ liệu

- Tiền xử lý dữ liệu
- Quy trình đảm bảo chất lượng dũ liệu
- Hoàn thiện pipeline

Tiền xử lý dữ liệu + Hoàn thiện pipeline

<ul><li>Sử dụng các thuật toán training. </li><li>Cài đặt các tham số khởi tạo</li></ul>

Các kỹ thuật training hiệu quả

<ul><li>Giới thiệu CPU </li><li>Tính toán song song trên CPUs </li><li>Nhiều lệnh song song (ILP) </li><li>Một lệnh trên nhiều luồng dữ liệu (SIMD) </li><li>Đa luồng (Multi-thread parallelism) </li><li>Phân tán (Distributed Compute) - Bài tập: Lập trình multi threading.</li></ul>

CPUs

GPUs và TPUs<ul><li>Sự khác biệt giữa CPUs và GPUs (tối ưu cho độ trễ và tối ưu cho băng thông)</li><li>Chi tiết kiến trúc của GPU</li><li>Giới thiệu CUDA</li><li>Lập trình CUDA với C++ </li><li>Song song trên GPUs - Thư viện Numba</li></ul>

GPUs

<ul><li>RAM và cơ chế cache </li><li>Đánh giá hiệu năng truy cập dữ liệu</li></ul>

RAM và cơ chế cache của CPUs

<ul><li>Bàn về các phiên bản của TPUs</li><li>Tham số đo quan trọng đo lường tốc độ phần cứng</li><li>TPUs</li><li>Số thực dấu phẩy động</li></ul>

TPUs - Số thực dấu phẩy động

Bài tập lượng tử hóa mô hình.

Cùng lập trình lượng tử hóa mô hình từ đầu

Bài tập 5 - Bài tập lượng tử hóa mô hình

<ul><li>Lượng tử hóa mô hình</li><li>ONNX</li></ul>

Học máy chính xác thấp

<ul><li>Chắt lọc tri thức</li><li>TensorRT</li></ul>

Chắt lọc tri thức + TensorRT

<ul><li>Docker là gì?</li><li>Phân biệt image và container</li><li>Cài đặt Docker</li><li>Xây dựng Docker Image và chạy docker Container</li><li>Docker container</li></ul>

Docker + Cloud

Thực hành <ul><li>Docker và Cloud</li></ul>

Thực hành Docker và Cloud

- Tại sao cần dùng Intriton Inference Server?
- Cách Deploy mô hình ONNX
- Cách Deploy mô hình Pytorch
- Cách Deploy mô hình Tensorflow
- Concurrent Model Execution
- Instance group
- Dynamic Batching
- Stateful vs Stateless Model
- Migrate từ Flask sang Triton Server

 

Triton Inference Server

Đào tạo phân tán

Giới thiệu về ML Orchestration<ul><li>Thiết kế một flow đơn giản</li><li>Airflow</li><li>Hướng dẫn quy trình học máy với Airflow</li></ul>

Orchestration for Machine Learning: Airflow + DVC

Dự án cuối khóa lớp học MLEs 03<ul><li>Project 1 - Triton Inference Server tập trung vào Client</li><li>Project 2 - Triton Inference Server tập trung vào Server</li><li>Project 3 - Deploy Bert với SQUAD model trên Triton Inference Server</li></ul>

Danh sách chủ đề

MLOps

1. Khái niệm MLOPs

1.1. Giới thiệu về MLOps

1.2. Các bước trong vòng đời MLOps

2. Design - Thiết kế

2.1. Design - Quy trình thiết kế

2.2. Giá trị đem lại cho người dùng + Yêu cầu kinh doanh

2.3. Chất lượng dữ liệu

2.4. Chỉ số đánh giá

3. Development - Quá trình xử lý dữ liệu

3.1. Thu thập dữ liệu

3.2. Crawl và lưu trữ data Tiếng Việt

3.3. Làm sạch dữ liệu

3.4. Khám phá dữ liệu

3.5. Lựa chọn và biến đổi dữ liệu

4. Ví dụ về một bài toán tiền xử lý dữ liệu

4.1. [MLEs] 10.2.1. Bộ dữ liệu Titanic.mp4

4.2. [MLEs] 10.2.2. Đặc trưng số và đặc trưng phân loại.mp4

4.3. [MLEs] 10.2.3. Giả định và phân tích.mp4

4.4. [MLEs] 10.2.4. Xử lý dữ liệu thiếu.mp4

4.5. [MLEs] 10.2.5. Tạo khoảng giá trị.mp4

4.6. Đường dẫn Notebook

5. Development - Quá trình đào tạo

5.1. Development - Quá trình training

5.2. Thử nghiệm học máy

6. Operations - Triển khai

6.1. Các thành phần chính

6.2. Operations - Triển khai trên server

6.3. Operations - Theo dõi mô hình

7. Các công cụ

7.1. Công cụ xây dựng vòng đời học máy và theo dõi thử nghiệm

Bài học