پلتفرم‌های MLOps: آموزش Amazon SageMaker و Azure ML - آخرین آپدیت

مهندسی داده با تکنولوژی AWS Data Engineering with AWS Technology

• آشنایی با مدرس دوره: نوآ گیفت Meet your Course Instructor: Noah Gift

• استفاده از Sagemaker Studio Lab Using Sagemaker Studio Lab

• شروع کار با AWS CloudShell Getting Started with AWS CloudShell

• مزایای استفاده از محیط‌های توسعه ابری Advantages of Using Cloud Developer Workspaces

• نمونه‌سازی APIهای هوش مصنوعی در CloudShell Prototyping AI APIs in CloudShell

• استفاده از Cloud9 و ابزار برنامه‌نویسی جفتی AWS Codewhisperer AI Cloud9 with AWS Codewhisperer AI Pair Programming Tool

• مقدمه‌ای بر ذخیره‌سازی داده‌ها Introduction to Data Storage

• تعیین محیط ذخیره‌سازی مناسب Determining the Correct Storage Medium

• کار با Amazon S3 Working with Amazon S3

• مقایسه سبک‌های پردازش دسته‌ای (Batch) و جریانی (Streaming) Batch vs. Streaming Job Styles

• مقدمه‌ای بر خط لوله‌های جذب و پردازش داده‌ها Introduction to Data Ingestion and Processing Pipelines

• کار با AWS Batch Working with AWS Batch

• کار با AWS Step Functions Working with AWS Step Functions

• تبدیل داده‌ها در حین انتقال Transforming Data in Transit

• مدیریت Map Reduce برای یادگیری ماشین Handling Map Reduce for Machine Learning

• کار با EMR Serverless Working with EMR Serverless

تحلیل اکتشافی داده‌ها با تکنولوژی AWS Exploratory Data Analysis with AWS Technology

• پاک‌سازی داده‌ها Cleaning Up Data

• مقیاس‌بندی داده‌ها Scaling Data

• برچسب‌گذاری داده‌ها Labeling Data

• شناسایی و استخراج ویژگی‌ها Identifying and Extracting Features

• مفاهیم مهندسی ویژگی‌ها Feature Engineering Concepts

• رسم نمودار داده‌ها Graphing Data

• خوشه‌بندی داده‌ها Clustering Data

مدل‌سازی با تکنولوژی AWS Modeling with AWS Technology

• چه زمانی از یادگیری ماشین استفاده کنیم؟ When to Use Machine Learning?

• مقایسه یادگیری ماشین نظارت شده و نظارت نشده Supervised vs. Unsupervised Machine Learning

• انتخاب راهکار یادگیری ماشین Selecting a Machine Learning Solution

• انتخاب مدل یادگیری ماشین Selecting a Machine Learning Model

• دموی مدل‌سازی با Sagemaker Canvas Modeling Demo with Sagemaker Canvas

• استفاده از Train, Test and Split Using Train, Test and Split

• حل مسائل بهینه‌سازی Solving Optimization Problems

• انتخاب بین GPU و CPU Selecting GPU vs. CPU

• معماری شبکه عصبی Neural Network Architecture

• بیش‌برازش (Overfitting) در مقابل کم‌برازش (Underfitting) Overfitting vs. Underfitting

• انتخاب معیارهای ارزیابی (Metrics) Selecting Metrics

• مقایسه مدل‌ها با استفاده از ردیابی آزمایش‌ها Comparing Models using Experiment Tracking

عملیات یادگیری ماشین (MLOps) با تکنولوژی AWS MLOps with AWS Technology

• مانیتورینگ و لاگ‌گذاری Monitoring and Logging

• استفاده از مناطق (Regions) متعدد Multiple Regions

• گردش‌کارهای تکرارپذیر Reproducible Workflows

• متدولوژی DevOps در AWS AWS-Flavored DevOps

• بررسی گزینه‌های پردازشی Reviewing Compute Choices

• پیکربندی EC2 Provisioning EC2

• پیکربندی EBS Provisioning EBS

• سرویس‌های AI ML در AWS AWS AI ML Services

• اصل کمترین دسترسی در AWS Lambda Principle of Least Privilege AWS Lambda

• امنیت یکپارچه Integrated Security

• بررسی کلی گردش‌کار Sagemaker Studio Overview of Sagemaker Studio Workflow

• پیش‌بینی مدل با Sagemaker Canvas Model Predictions with Sagemaker Canvas

• رانش داده‌ها (Data Drift) و مانیتورینگ مدل Data Drift and Model Monitoring

• اجرای PyTorch با AWS App Runner Running PyTorch with AWS App Runner

گواهینامه‌های یادگیری ماشین Machine Learning Certifications

• مقدمه‌ای بر گواهینامه‌های Azure Introduction to Azure Certifications

• منابع یادگیری برای گواهینامه‌های Azure Learning Resources for Azure Certifications

• مسیرهای یادگیری مایکروسافت و یادداشت‌های مطالعاتی Microsoft Learning Paths and Study Notes

• ایجاد فضای کاری Azure ML Creating an Azure ML Workspace

• ایجاد یک Job در Azure Auto ML Creating an Azure Auto ML Job

• مفاهیم مقدماتی Azure ML و MLOps Introductory Azure ML and MLOps Concepts

• تکنولوژی‌های پیش‌نیاز Prerequisite Technology

• استقرار در لحظه (Real Time) و دسته‌ای (Batch) Real Time and Batch Deployment

• مجموعه داده‌های باز Azure Azure Open Datasets

• بررسی SDK مجموعه داده‌های باز Exploring Open Datasets SDK

• مفاهیم پیشرفته Azure ML و MLOps More Advanced Azure ML and MLOps Concepts

• بررسی خط فرمان Azure ML Exploring Azure ML Command Line

• اتصال Azure ML به GitHub Triggering Azure ML with GitHub

• استفاده از هایپرپارامترها Using Hyperparameters

• آموزش مدل با استفاده از Python SDK Train a Model using the Python SDK