آموزش GCP - مهندس حرفه‌ای یادگیری ماشین گوگل کلاد (Google Cloud Professional Machine Learning Engineer) - آخرین آپدیت

دانلود GCP - Google Cloud Professional Machine Learning Engineer

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، بر Vertex AI، BigQuery ML، هوش مصنوعی مولد (Generative AI)، RAG، ایجنت‌های هوش مصنوعی و AutoML برای تبدیل شدن به یک مهندس حرفه‌ای ML گوگل کلاد مسلط شوید. ساخت و آموزش مدل‌های یادگیری ماشین با استفاده از BigQuery ML و جریان‌های کاری SQL-based کار با Vertex AI Model Garden برای برنامه‌های هوش مصنوعی متنی، تصویری و چندوجهی (Multimodal) طراحی و استقرار مدل‌های ML در محیط تولید با استفاده از AutoML و خط لوله‌های Vertex AI پیاده‌سازی جریان‌های کاری Document AI برای پردازش هوشمند اسناد ساخت سیستم‌های پیشرفته Agentic AI با استفاده از Google ADK و معماری‌های چند-ایجنت ایجاد برنامه‌های RAG (تولید تقویت‌شده با بازیابی) مقیاس‌پذیر با استفاده از Vertex AI RAG Engine پیاده‌سازی Vector Search، Vertex AI Search و Gemini File Search API برای جستجوی هوش مصنوعی در سطح سازمانی مدیریت ویژگی‌های ML با استفاده از Vertex AI Feature Store برای سرویس‌دهی آنلاین و دسته‌ای (Batch) توسعه برنامه‌های Generative AI با استفاده از Google AI Studio و مدل‌های Gemini استقرار ایجنت‌های ML و AI در Cloud Run و Vertex AI Agent Engine کسب مهارت‌های عملیاتی که با گواهینامه مهندس حرفه‌ای یادگیری ماشین گوگل کلاد همسو است پیشنیازها: درک बुनियादी از مفاهیم یادگیری ماشین (توصیه می‌شود اما اجباری نیست) آشنایی با مبانی Python و SQL دانش پایه از خدمات Google Cloud Platform (GCP) مفید خواهد بود یک حساب کاربری گوگل کلاد برای تمرینات عملی (Hands-on labs) اشتیاق به یادگیری Generative AI، MLOps و استقرار مدل‌های ML در دنیای واقعی

شما با تسلط بر یادگیری ماشین سرتاسری (End-to-End)، هوش مصنوعی مولد، معماری‌های RAG و توسعه ایجنت‌ها در گوگل کلاد، به یک مهندس حرفه‌ای یادگیری ماشین گوگل کلاد آماده برای بازار کارتبدیل می‌شوید. این دوره کاملاً عملی است و تمام چرخه حیات ML را پوشش می‌دهد —از مدل‌سازی مبتنی بر SQL با BigQuery MLتا سیستم‌های پیشرفته AI با استفاده از Vertex AI، مدل‌های Gemini و Agent Development Kit (ADK).شما با ساخت مدل‌های یادگیری ماشین آماده تولید با استفاده از BigQuery MLشروع می‌کنید، شامل رگرسیون، درخت‌های تقویت‌شده (Boosted Trees)، طبقه‌بندی (Classification)، سیستم‌های توصیه، تشخیص ناهنجاری با Autoencoders، پیش‌بینی سری‌های زمانی و مهندسی ویژگی‌های پیشرفته.این دوره بسیار فراتر از ML سنتی است و به شما می‌آموزد چگونه سیستم‌های هوشمند قدرت گرفته از Generative AI را طراحی کنید. شما پروژه‌های کاملی را با استفاده از Document AI APIبرای پردازش اسناد در مقیاس بزرگ، خط لوله‌های AutoMLبرای داده‌های جدولی، متنی، تصویری و پیش‌بینی، و ایجنت‌های هوش مصنوعی سازمانی را با استفاده از Agent Development Kit (ADK)گوگل پیاده‌سازی خواهید کرد.در بخش توسعه ایجنت‌ها، شما ایجنت‌های شروع‌کننده (Starter)، ایجنت‌های ابزار-محور (Tool-enabled)، سیستم‌های چند-ایجنت، جریان‌های کاری Stateful، ذخیره‌سازی دائمی، Callbacks، و معماری‌های ایجنت متوالی و موازیرا ایجاد کرده و ایجنت‌های آماده تولید را در Vertex AI Agent Engine و Cloud Runمستقر می‌کنید.شما همچنین معماری‌های مدرن AI سازمانی را طراحی خواهید کرد، از جمله:

  • سیستم‌های Retrieval-Augmented Generation (RAG)با استفاده از Vertex AI RAG Engine

  • خط لوله‌های Vector Searchبا Embeddingها، ایندکس‌گذاری و کوئری‌ها

  • پیاده‌سازی‌های Vertex AI Searchبرای کاربردهای جستجوی سازمانی

  • پروژه‌های Gemini File Search APIبرای ساخت برنامه‌های RAG بر روی داده‌های شخصی خودتان

  • خط لوله‌های Feature Storeبرای سرویس‌دهی آنلاین و مقیاس‌پذیر ML

    >
    • علاوه بر این، یاد می‌گیرید چگونه برنامه‌های Generative AI را با استفاده از Google AI Studioبسازید، با Gemini modelsآزمایش کنید و برنامه‌های AI بدون زیرساخت‌های پیچیده ایجاد کنید.

      در سرتاسر دوره، هر مفهوم را از طریق دموهای واقعی و در سطح تولیدپیاده‌سازی می‌کنید تا مهارت‌های عملی شما با گواهینامه مهندس حرفه‌ای یادگیری ماشین گوگل کلادو جریان‌های کاری مدرن صنعت AI همسو شود.

      سرفصل‌های کلیدی:

    • BigQuery ML(رگرسیون، طبقه‌بندی، درخت‌های تقویت‌شده، پیش‌بینی، سیستم‌های توصیه، Autoencoders، مهندسی ویژگی)

    • Vertex AI Model Garden(تولید متن، ترجمه، هوش مصنوعی چندوجهی، تولید تصویر)

    • Document AI API(تجزیه فرم‌ها، پردازش دسته‌ای، استخراج JSON، برنامه‌های Gradio)

    • Vertex AI AutoML(داده‌های جدولی، متنی، تصویری، پیش‌بینی، پیش‌بینی‌های دسته‌ای و آنلاین)

    • Agent Development Kit(ایجنت‌های شروع‌کننده، ابزارها، چند-ایجنت‌های Stateful، Callbacks، ایجنت‌های متوالی و موازی، استقرار)

    • Vertex AI RAG Engineو توسعه ایجنت‌های RAG

    • Vertex AI Searchو سیستم‌های جستجوی هوش مصنوعی سازمانی

    • Vertex AI Vector Search(Embeddingها، ایندکس‌گذاری، کوئری، نگهداری)

    • Vertex AI Feature Store(سرویس‌دهی آنلاین، گروه‌های ویژگی)

    • Gemini File Search APIبرای برنامه‌های RAG

    • Google AI Studioو توسعه برنامه‌های هوش مصنوعی مولد

    این دوره به عنوان یک نقشه راه جامع مهندسی هوش مصنوعی گوگل کلادطراحی شده است که یادگیری ماشین کلاسیک، هوش مصنوعی مولد، جریان‌های کاری ایجنتیک و معماری‌های جستجوی سازمانی را در یک مسیر یادگیری ساختاریافته ترکیب می‌کند. چه در حال آماده شدن برای گواهینامه باشید یا در حال ساخت سیستم‌های AI آماده تولید، مهارت‌های لازم برای طراحی، استقرار و مقیاس‌بندی راهکارهای یادگیری ماشین با اطمینان در گوگل کلادرا به دست خواهید آورد.


    سرفصل ها و درس ها

    مقدمه Introduction

    • مرور کلی دوره Course Overview

    BigQuery ML: توسعه مدل‌های یادگیری ماشین BigQuery ML: Develop Machine Learning Models

    • مدل رگرسیون خطی در BigQuery ML: مسئله تجاری Linear Regression Model in BigQuery ML: Business Problem

    • مدل رگرسیون خطی در BigQuery ML: ایجاد مجموعه داده و جدول BigQuery Linear Regression Model in BigQuery ML: Create BigQuery Dataset and Table

    • مدل رگرسیون خطی در BigQuery ML: بررسی داده‌ها Linear Regression Model in BigQuery ML: Explore Data

    • مدل رگرسیون خطی در BigQuery ML: تقسیم داده‌ها به مجموعه‌های آموزشی و تست Linear Regression Model in BigQuery ML: Split Data into Train and Test Sets

    • مدل رگرسیون خطی در BigQuery ML: ایجاد و ارزیابی مدل Linear Regression Model in BigQuery ML: Create and Evaluate Model

    • مدل رگرسیون خطی در BigQuery ML: تولید پیش‌بینی‌ها Linear Regression Model in BigQuery ML: Generate Predictions

    • اجرای کوئری‌های SQL در BigQuery SQL Notebook Run SQL Queries in BigQuery SQL Notebook

    • رگرسیون با درخت‌های تقویت‌شده (Boosted Trees) بخش اول Regression with Boosted Trees Part 1

    • رگرسیون با درخت‌های تقویت‌شده (Boosted Trees) بخش دوم Regression with Boosted Trees Part 2

    • طبقه‌بندی دوگانه (Binary Classification) در BigQuery ML بخش اول Binary Classification in BigQuery ML Part 1

    • طبقه‌بندی دوگانه (Binary Classification) در BigQuery ML بخش دوم Binary Classification in BigQuery ML Part 2

    • طبقه‌بندی چندکلاسه با Boosted Trees Classifier بخش اول Multiclass Classification with Boosted Trees Classifier Part 1

    • طبقه‌بندی چندکلاسه با Boosted Trees Classifier بخش دوم Multiclass Classification with Boosted Trees Classifier Part 2

    • پیش‌بینی سری‌های زمانی با BigQuery ML بخش اول Time-Series Forecasting with BigQuery ML Part 1

    • پیش‌بینی سری‌های زمانی با BigQuery ML بخش دوم Time-Series Forecasting with BigQuery ML Part 2

    • فاکتورگیری ماتریسی (موتور توصیه) بخش اول Matrix Factorization (Recommendation Engine) Part 1

    • فاکتورگیری ماتریسی (موتور توصیه) بخش دوم Matrix Factorization (Recommendation Engine) Part 2

    • تشخیص ناهنجاری با Autoencoders بخش اول Anomaly Detection with Autoencoders Part 1

    • تشخیص ناهنجاری با Autoencoders بخش دوم Anomaly Detection with Autoencoders Part 2

    • مهندسی ویژگی (Feature Engineering) بخش اول Feature Engineering Part 1

    • مهندسی ویژگی (Feature Engineering) بخش دوم Feature Engineering Part 2

    • مهندسی ویژگی (Feature Engineering) بخش سوم Feature Engineering Part 3

    • آزمون Quiz

    Vertex AI Model Garden Vertex AI Model Garden

    • مقدمه: Vertex AI Model Garden Introduction: Vertex AI Model Garden

    • Vertex AI Model Garden: برنامه‌ریز سفر AI با تولید متن Vertex AI Model Garden: AI Trip Planner with Text Generation

    • Vertex AI Model Garden: استخراج موجودیت‌ها برای شرح شغلی هوشمندتر Vertex AI Model Garden: Entity Extraction for Smarter Job Descriptions

    • Vertex AI Model Garden: ترجمه با قدرت AI برای شرح محصولات Vertex AI Model Garden: AI-Powered Translation for Product Descriptions

    • Vertex AI Model Garden: تولید تصویر Vertex AI Model Garden: Image Generation

    • Vertex AI Model Garden: هوش مصنوعی چندوجهی –ایجاد کپشن و هشتگ برای تصاویر Vertex AI Model Garden: Multi-Modal AI – Create Image Captions & Hashtags

    • آزمون Quiz

    Document AI API Document AI API

    • مقدمه: Document AI API Introduction: Document AI API

    • پروژه Document AI API: فعال‌سازی API و ایجاد پردازشگر Document AI API Project: Enable API, Create Processor

    • پروژه Document AI API: نصب و احراز هویت در Colab Document AI API Project: Install & Authenticate in Colab

    • پروژه Document AI API: پیکربندی Document AI API Project: Configuration

    • پروژه Document AI API: کمکی‌های GCS Document AI API Project: GCS Helpers

    • پروژه Document AI API: اجرای تجزیه فرم‌های دسته‌ای بر روی PDFهای GCS Document AI API Project: Run Batch Form Parser on GCS PDFs

    • پروژه Document AI API: کمکی‌های تجزیه (Parse helpers) Document AI API Project: Parse helpers

    • پروژه Document AI API: ایجاد فایل اکسل برای هر JSON Document AI API Project: Create Excel for Each JSON

    • برنامه Gradio: تجزیه فرم‌های Document AI Gradio Application: Document AI Form Parsing

    • آزمون Quiz

    AutoML AutoML

    • AutoML برای داده‌های جدولی: آماده‌سازی داده‌ها AutoML for Tabular Data: Prepare Data

    • AutoML برای داده‌های جدولی: ایجاد مجموعه داده Vertex AI و آموزش مدل ML AutoML for Tabular Data: Create Vertex AI Dataset, Train ML Model

    • AutoML برای داده‌های جدولی: استقرار Endpoint و انجام پیش‌بینی‌ها AutoML for Tabular Data: Deploy Endpoint, Make Predictions

    • AutoML برای داده‌های جدولی: پیش‌بینی دسته‌ای (Batch Prediction) AutoML for Tabular Data: Batch Prediction

    • AutoML برای داده‌های جدولی: حذف منابع AutoML for Tabular Data: Delete Resources

    • AutoML Forecasting: آماده‌سازی داده‌ها، ایجاد مجموعه داده Vertex AI و آموزش مدل ML AutoML Forecasting: Prepare Data, Create Vertex AI Dataset, Train ML Model

    • AutoML Forecasting: پیش‌بینی دسته‌ای AutoML Forecasting: Batch Prediction

    • AutoML برای داده‌های متنی: آماده‌سازی داده‌ها و آموزش مدل ML AutoML for Text Data: Prepare Data and Train ML Model

    • AutoML برای داده‌های متنی: استنتاج (Inference) بلادرنگ و دسته‌ای AutoML for Text Data: Real-Time & Batch Inference

    • AutoML برای داده‌های متنی: ارزیابی مدل AutoML for Text Data: Model Evaluation

    • AutoML برای داده‌های تصویری بخش اول AutoML for Image Data Part 1

    • AutoML برای داده‌های تصویری بخش دوم AutoML for Image Data Part 2

    • AutoML برای داده‌های تصویری بخش سوم AutoML for Image Data Part 3

    • آزمون Quiz

    Agent Development Kit (ADK) Agent Development Kit (ADK)

    • ایجنت شروع‌کننده: fun_facts_agent بخش اول Starter Agent: fun_facts_agent Part 1

    • ایجنت شروع‌کننده: fun_facts_agent بخش دوم Starter Agent: fun_facts_agent Part 2

    • ایجنت ابزاری: search_agent، time_agent و calculator_agent Tools Agent: search_agent, time_agent, and calculator_agent

    • استفاده از سایر مدل‌های زبانی (OpenAI, Anthropic, Grok) برای ساخت ایجنت با ADK Use other llms to build agents with ADK (OpenAI, Anthropic, Grok)

    • ساختاردهی به داده‌ها Structuring Data

    • اجرای ایجنت بدون adk web (جلسات، وضعیت و Runner) بخش اول Run Agent without adk web (Sessions, State, and Runner) Part 1

    • اجرای ایجنت بدون adk web (جلسات، وضعیت و Runner) بخش دوم Run Agent without adk web (Sessions, State, and Runner) Part 2

    • ذخیره‌سازی دائمی بخش اول Persistent Storage Part 1

    • ذخیره‌سازی دائمی بخش دوم Persistent Storage Part 2

    • سیستم‌های چند-ایجنت بخش اول Multi-Agent Systems Part 1

    • سیستم‌های چند-ایجنت بخش دوم Multi-Agent Systems Part 2

    • ایجنت چند-ایجنت Stateful بخش اول Stateful Multi-Agent Part 1

    • ایجنت چند-ایجنت Stateful بخش دوم Stateful Multi-Agent Part 2

    • ایجنت چند-ایجنت Stateful بخش سوم Stateful Multi-Agent Part 3

    • Callbacks: کال‌بک‌های چرخه حیات ایجنت (قبل و بعد از ایجنت) Callbacks: Agent Lifecycle Callbacks (Before & After Agent Callback)

    • Callbacks: کال‌بک‌های تعامل LLM (قبل و بعد از مدل) Callbacks: LLM Interaction Callbacks (Before & After Model Callback)

    • Callbacks: کال‌بک‌های اجرای ابزار (قبل و بعد از ابزار) Callbacks: Tool Execution Callbacks (Before & After Tool Callback)

    • ایجنت‌های متوالی بخش اول Sequential Agents Part 1

    • ایجنت‌های متوالی بخش دوم Sequential Agents Part 2

    • ایجنت‌های موازی Parallel Agents

    • ایجنت حلقه (Loop Agent) Loop Agent

    • آزمون Quiz

    Vertex AI RAG Engine Vertex AI RAG Engine

    • مقدمه بر Vertex AI RAG Engine Introduction to Vertex AI RAG Engine

    • ایجاد Corpus و پیکربندی RAG Engine Create corpus and Configure RAG Engine

    • کوئری زدن به Corpus با استفاده از LLM Query corpus using LLM

    • پروژه ایجنت RAG (ADK + Vertex AI RAG Service) مرور کلی RAG Agent (ADK + Vertex AI RAG Service) Project Overview

    • ایجنت RAG (ADK + Vertex AI RAG Service) نصب و راه‌اندازی RAG Agent (ADK + Vertex AI RAG Service) Installation and Setup

    • ایجنت RAG (ADK + Vertex AI RAG Service): بررسی کد RAG Agent (ADK + Vertex AI RAG Service): Code Review

    • ایجنت RAG (ADK + Vertex AI RAG Service): اجرای ایجنت RAG Agent (ADK + Vertex AI RAG Service): Run Agent

    • آزمون Quiz

    Vertex AI Search Vertex AI Search

    • مقدمه بر Vertex AI Search Introduction to Vertex AI Search

    • ایجاد Datastore Create Datastore

    • جستجوی سفارشی (عمومی) با استفاده از Vertex AI Search Custom Search (General) using Vertex AI Search

    • Gemini Enterprise با استفاده از Vertex AI Search Gemini Enterprise using Vertex AI Search

    • آزمون Quiz

    Vertex AI Vector Search Vertex AI Vector Search

    • مقدمه بر Vertex AI Vector Search Introduction to Vertex AI Vector Search

    • دمو Vector Search: راه‌اندازی و مقداردهی اولیه Vector Search Demo: Setup & Initialization

    • دمو Vector Search: آماده‌سازی داده‌ها Vector Search Demo: Data Preparation

    • دمو Vector Search: تولید Embeddingها Vector Search Demo: Embedding Generation

    • دمو Vector Search: ایجاد ایندکس برداری و استقرار Vector Search Demo: Vector Index Creation & Deployment

    • دمو Vector Search: وارد کردن داده‌ها (Ingestion) Vector Search Demo: Data Ingestion

    • دمو Vector Search: کوئری و جستجو Vector Search Demo: Querying & Search

    • دمو Vector Search: نگهداری Vector Search Demo: Maintenance

    • آزمون Quiz

    Feature Store Feature Store

    • مقدمه بر Vertex AI Feature Store Introduction to Vertex AI Feature Store

    • سرویس‌دهی آنلاین Feature Store: راه‌اندازی و نصب Feature Store Online Serving: Setup and Installation

    • سرویس‌دهی آنلاین Feature Store: آماده‌سازی داده‌های ویژگی در BigQuery Feature Store Online Serving: Prepare Feature Data in BigQuery

    • سرویس‌دهی آنلاین Feature Store: ایجاد آنلاین استور ویژگی‌ها Feature Store Online Serving: Create Feature Online Store

    • سرویس‌دهی آنلاین Feature Store: ایجاد Feature View Feature Store Online Serving: Create Feature View

    • سرویس‌دهی آنلاین Feature Store: همگام‌سازی داده‌ها با آنلاین استور Feature Store Online Serving: Sync Data to Online Store

    • سرویس‌دهی آنلاین Feature Store: دریافت ویژگی‌ها (Online Serving) Feature Store Online Serving: Fetch Features (Online Serving)

    • سرویس‌دهی آنلاین Feature Store: خلاصه و پاک‌سازی Feature Store Online Serving: Summary & Cleanup

    • Feature Store با گروه‌های ویژگی (Feature Groups) بخش اول Feature Store with Feature Groups Part 1

    • Feature Store با گروه‌های ویژگی (Feature Groups) بخش دوم Feature Store with Feature Groups Part 2

    • Feature Store با گروه‌های ویژگی (Feature Groups) بخش سوم Feature Store with Feature Groups Part 3

    • آزمون Quiz

    Gemini File Search API: ساخت برنامه‌های RAG با داده‌های شخصی Gemini File Search API: Build RAG Applications with Your Own Data

    • مقدمه بر Gemini File Search API Introduction to Gemini File Search API

    • [عملی] Gemini File Search API: نصب و راه‌اندازی [Hands-On] Gemini File Search API: Installation and Setup

    • [عملی] Gemini File Search API: ایجاد Vector Store [Hands-On] Gemini File Search API: Create Vector Store

    • [عملی] Gemini File Search API: آپلود اسناد [Hands-On] Gemini File Search API: Upload Documents

    • [عملی] Gemini File Search API: مبانی جستجو [Hands-On] Gemini File Search API: Search Basis

    • [عملی] Gemini File Search API: جستجوی پیشرفته [Hands-On] Gemini File Search API: Advanced Search

    • [عملی] Gemini File Search API: رابط کاربری Gradio [Hands-On] Gemini File Search API: Gradio UI

    • آزمون Quiz

    Google AI Studio Google AI Studio

    • شروع کار با Google AI Studio Getting Started with Google AI Studio

    • Google AI Studio: محیط Playground بخش اول Google AI Studio: Playground Part 1

    • Google AI Studio: محیط Playground بخش دوم Google AI Studio: Playground Part 2

    • ایجاد برنامه‌های هوش مصنوعی مولد با استفاده از Google API Key Create AI Powered Generative AI Applications using Google API Key

    • Google AI Studio Build Tab: ساخت برنامه‌های AI بدون کدنویسی Google AI Studio Build Tab: Create AI Apps Without Coding

    • آزمون Quiz

    نقش‌آفرینی‌ها (Role Plays) Role Plays

    • ساخت یک دستیار دانش RAG برای سازمان‌ها Building an Enterprise RAG Knowledge Assistant

    • طراحی یک پلتفرم بلادرنگ ML + GenAI برای فین‌تک (FinTech) Designing a Real-Time ML + GenAI Platform for FinTech

    سپاسگزاری Thank You

    • تبریکات Congratulations

    نمایش نظرات

    آموزش GCP - مهندس حرفه‌ای یادگیری ماشین گوگل کلاد (Google Cloud Professional Machine Learning Engineer)
    جزییات دوره
    18.5 hours
    115
    Udemy (یودمی) Udemy (یودمی)
    (آخرین آپدیت)
    991
    4.5 از 5
    دارد
    دارد
    دارد
    Sushant Labde
    جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

    Google Chrome Browser

    Internet Download Manager

    Pot Player

    Winrar

    Sushant Labde Sushant Labde

    مشاور مدیریت