مهندسی داده و ام‌ال‌آپس 🚀

پیاده‌سازی الگوریتم‌های یادگیری ماشین بصورت امن در میانه‌ی جنگ و تردید، از شنبه دهم مرداد ماه این دوره آموزشی رو استارت می‌زنیم؛ https://www.m-fozouni.ir/mlsecops/ دوست داشتید، به ما ملحق بشید. تمرکز اصلی روی MLOps هست منتها با افزودن مولفه‌های امنیتی سعی کردیم کورسی رو تدوین کنیم که مسیر یک MLSecOps Engineer رو ایجاد کند. تجربیات امنیتی خودم در کارهایی که حضور داشتم، تا حدودی مطرح خواهند شد. دوره در ۳۲ جلسه و بطور تقریبی ۵۰ ساعت با عناوین زیر برگزار خواهد شد MLSecOps in Action: From Foundations to Applied Security ⌛️ 00-Intro to the Course 1️⃣ Foundations: OS & Containers ⌛️ 01-Linux-01: Essential Linux for ML Engineers ⌛️ 02-Docker-01 ⌛️ 03-Docker-02 ⌛️ 04-Security in Docker (Scanning with Trivy) ⌛️ 05-Linux-02: Advanced Topics (iptables) 2️⃣ CI/CD & Cloud Basics ⌛️ 06-ArvanCloud ⌛️ 07-GitHub Actions (Backup to S3 by GitHub Actions) ⌛️ 08-Terraform-01: IaC Basics for ML Infra Provisioning ⌛️ 09-Terraform-02: Security Best Practices 3️⃣ Streaming Pipelines: Kafka ⌛️ 10-Kafka-01: Quick Start ⌛️ 11-Kafka-02: Clustering ⌛️ 12-Kafka-03: Quix for Python-native Streaming ⌛️ 13-Kafka-04: ksqlDB (Process real time data with SQL) ⌛️ 14-Kafka-05: Security in Kafka Deployments (ACLs & Encryption) 4️⃣ Orchestration: Kubernetes ⌛️ 15-Kubernetes-01: Theory-Core-Concepts ⌛️ 16-Kubernetes-02: Minikube (MLFlow on k8s) ⌛️ 17-Kubernetes-05: Falco for Securing Kubernetes Implementations 5️⃣ ML Operations ⌛️ 18-What is MLOps? (Theory) ⌛️ 19-What is MLSecOps and the best python libs in this realm (Theory) ⌛️ 20-MLflow-01: Theory and Hello World ⌛️ 21-MLflow-02: DVC for Data and Model Versioning ⌛️ 22-MLflow-03: MLflow-DVC on Cloud ⌛️ 23-FastAPI-01: Model Serving Basics (APIs for ML Inference) ⌛️ 24-FastAPI-02: Securing Endpoint ⌛️ 25-MLflow-04: Secure Experiment Tracking (Signed Models) ⌛️ 26-Jenkins (Traefik-MLflow-DVC-Jenkins on the Cloud) 6️⃣ MLSec Tools ⌛️ 27-Poisoning Attacks ⌛️ 28-Model Tampering ⌛️ 29-Supply Chain Attacks ⌛️ 30-Evasion Attacks ⌛️ 31-Privacy-Preserving AI 7️⃣ Capstone Projects ⌛️ 32-Final-Project: Fraud Detection in FinTech (Whole Lifecycle of ML Algorithms + Security Audit: Simulate Poisoning + ART Defenses) A Complete MLSecOps Example . @elmedadeir