آموزش جامع گواهینامه مهندس متخصص یادگیری ماشین گوگل کلاد (Google Cloud Professional ML Engineer) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مروری بر دوره و آزمون مهندس متخصص یادگیری ماشین گوگل Course and Google Professional Machine Learning Engineer exam overview

• چارچوب‌بندی مسائل یادگیری ماشین: اصطلاحات کلیدی Framing ML problems: Key terminology

1. تبدیل چالش‌های کسب‌وکار به موارد استفاده یادگیری ماشین 1. Translating Business Challenges into ML Use Cases

• ساخت جریان‌های کاری مبتنی بر هوش مصنوعی Building AI-enabled workflows

• استفاده از ابزارهای هوش مصنوعی برای ساخت ابزارهای AI Using AI tools to build AI tools

• آموزش MLOps در مقیاس بزرگ با GitHub Teaching MLOps at scale with GitHub

2. تعریف مسائل یادگیری ماشین 2. Defining ML Problems

• چه زمانی از یادگیری ماشین استفاده کنیم؟ When to use ML

• مقایسه یادگیری ماشین نظارت شده و نظارت نشده Supervised vs. unsupervised ML

• بهینه‌سازی (Optimization) Optimization

• شبیه‌سازی‌ها در مقابل ردیابی آزمایشات Simulations vs. experiment tracking

• خوشه‌بندی (Clustering) Clustering

3. تعریف معیارهای موفقیت کسب‌وکار 3. Defining Business Success Criteria

• تعریف معیارهای موفقیت کسب‌وکار Defining business success criteria

4. شناسایی ریسک‌های امکان‌سنجی راهکارهای یادگیری ماشین 4. Identifying Risks to Feasibility of ML Solutions

• هزینه‌های پنهان سیستم‌های سفارشی Hidden costs of bespoke systems

• سلسله‌مراتب نیازهای MLOps MLOps hierarchy of needs

• مسموم کردن داده‌ها (Data Poisoning) Data poisoning

5. جمع‌بندی: چارچوب‌بندی مسائل یادگیری ماشین 5. Conclusion: Framing ML Problems

• چارچوب‌بندی مسائل یادگیری ماشین: گام‌های بعدی Framing ML problems: Next steps

6. مقدمه: معماری یک راهکار یادگیری ماشین 6. Introduction: Architecting a ML Solution

• مزایای فضای کاری توسعه‌دهنده ابری Cloud developer workspace advantage

• معماری راهکار یادگیری ماشین: بررسی کلی Architecting a ML solution: Overview

• معماری راهکار یادگیری ماشین: اصطلاحات کلیدی Architecting a ML solution: Key terminology

7. طراحی راهکاری قابل اعتماد، مقیاس‌پذیر و با در دسترس بودن بالا 7. Designing a Reliable, Scalable, and Highly Available ML Solution

• آموزش یکپارچه‌سازی مستمر (CI) Learn continuous integration

• تحویل مستمر (CD) چیست؟ What is continuous delivery?

• جریان کاری بازتولیدپذیر Reproducible workflow

• میکروسرویس‌های یادگیری ماشین کانتینری شده Containerized ML microservices

• ذهنیت SRE برای MLOps SRE mindset for MLOps

8. انتخاب اجزای سخت‌افزاری مناسب در گوگل کلاد 8. Choosing Appropriate Google Cloud Hardware Components

• انتخاب MLOps سنگین در مقابل سبک Selecting heavy vs. light MLOps

• مقایسه Feature Store و Data Warehouse Feature store vs. data warehouse

• انتخاب زیرساخت پردازشی Compute choice

• اجزای کلیدی چشم‌انداز MLOps Key components of MLOps landscape

9. جمع‌بندی: معماری یک راهکار یادگیری ماشین 9. Conclusion: Architecting a ML Solution

• معماری راهکار یادگیری ماشین: گام‌های بعدی Architecting a ML solution: Next steps

10. مقدمه: طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها 10. Introduction: Designing Data Preparation and Processing Systems

• طراحی سیستم‌های پردازش و آماده‌سازی داده‌ها: اصطلاحات کلیدی Designing data preparation and processing systems: Key terminology

• شروع کار با GCP Onboard to GCP

• طراحی سیستم‌های پردازش و آماده‌سازی داده‌ها: بررسی کلی Designing data preparation and processing systems: Overview

11. اکتشاف داده‌ها (Data Exploration) 11. Exploring Data

• راه‌اندازی محیط علوم داده با virtualenv و pip در ویندوز Data science setup with virtualenv and pip on Windows

• رسم نمودار داده‌ها برای تحلیل اکتشافی (EDA) Graphing data for exploratory data analysis

• گوگل کولب (Google Colab) چیست؟ What is Google Colab?

• تحلیل اکتشافی داده‌ها برای بررسی امید به زندگی Exploratory data analysis for life expectancy

12. ساخت خط لوله‌های داده (Data Pipelines) 12. Building Data Pipelines

• پاک‌سازی داده‌ها Cleaning up data

• برچسب‌گذاری با Mechanical Turk Mechanical Turk labeling

• برچسب‌گذاری داده‌ها Labeling data

• خط لوله‌های داده BigQuery با استفاده از Colab BigQuery data pipelines with Colab

• مقیاس‌بندی داده‌ها Scaling data

13. ایجاد ویژگی‌های ورودی (Input Features) 13. Creating Input Features

• مفاهیم مهندسی ویژگی (Feature Engineering) Feature engineering concepts

• استخراج ویژگی‌ها از مجموعه‌داده‌های عمومی Extracting features from public datasets

• تحلیل اکتشافی داده‌ها با Google BigQuery Exploratory data analysis with Google BigQuery

14. جمع‌بندی: طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها 14. Conclusion: Designing Data Preparation and Processing Systems

• طراحی سیستم‌های پردازش و آماده‌سازی داده‌ها: گام‌های بعدی Designing data preparation and processing systems: Next steps

15. مقدمه: توسعه مدل‌های یادگیری ماشین 15. Introduction: Developing ML Models

• توسعه مدل‌های یادگیری ماشین: بررسی کلی Developing ML models: Overview

• توسعه مدل‌های یادگیری ماشین: اصطلاحات کلیدی Developing ML models: Key terminology

16. ساخت مدل‌ها 16. Building Models

• انتخاب معیارهای (Metrics) مناسب Selecting the right metrics

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

• استفاده از TensorFlow Playground Using TensorFlow Playground

17. آموزش مدل‌ها 17. Training Models

• مزایای یادگیری انتقالی (Transfer Learning) Advantages of transfer learning

• تنظیم دقیق مدل‌ها با Hugging Face Fine-tuning raw ingredients with Hugging Face

• آموزش مدل‌ها با TensorFlow و داکر فعال شده با GPU Training models with TensorFlow and a GPU-enabled Docker

18. مقیاس‌بندی آموزش و سرویس‌دهی مدل 18. Scaling Model Training and Serving

• مانیتورینگ و لاگ‌گذاری با زبان Rust در Google App Engine Monitoring and logging with Rust on Google App Engine

• دمو: گوگل اپ انجین با Golang Demo: Google App Engine Golang

• عملیاتی‌سازی میکروسرویس‌ها Operationalize microservices

• دمو: Google CLI SDK Demo: Google CLI SDK

• راه‌اندازی ورک‌استیشن GCP با پایتون Set up a GCP workstation with Python

• دمو: Google Cloud Shell Demo: Google Cloud Shell

• دمو: Google Cloud Editor Demo: Google Cloud Editor

• دمو: تست واحد (Unit Testing) در Rust Demo: Unit testing Rust

• دمو: استفاده از GitHub Copilot در Rust Demo: GitHub copilot-enabled Rust

• دمو: Google gcloud CLI Demo: Google gcloud CLI

• دمو: استقرار Rust در Google App Engine Demo: Google App Engine Rust deployment

• یکپارچه‌سازی مستمر با Rust و GitHub Actions Continuous integration using Rust with GitHub Actions

19. جمع‌بندی: توسعه مدل‌های یادگیری ماشین 19. Conclusion: Developing ML Models

• توسعه مدل‌های یادگیری ماشین: گام‌های بعدی Developing ML models: Next steps

20. مقدمه: اتوماسیون و ارکستراسیون خط لوله‌های یادگیری ماشین 20. Introduction: Automating and Orchestrating ML Pipelines

• اتوماسیون و ارکستراسیون خط لوله‌های ML: بررسی کلی Automating and orchestrating ML pipelines: Overview

• اتوماسیون و ارکستراسیون خط لوله‌های ML: اصطلاحات کلیدی Automating and orchestrating ML pipelines: Key terminology

21. طراحی و پیاده‌سازی خط لوله‌های آموزش 21. Designing and Implementing Training Pipelines

• درک مفهوم TPUها Understanding TPUs

• شروع کار با Vertex AI Getting started with Vertex AI

• TPU به عنوان یک گذار تکنولوژیک TPUs as a technology transition

• دمو: TPU, PyTorch و MNIST Demo: TPU, PyTorch, and MNIST

• مهندسی پرامپت برای Google BigQuery با ChatGPT 4 Prompt engineering for Google BigQuery with ChatGPT 4

22. پیاده‌سازی خط لوله‌های سرویس‌دهی 22. Implementing Serving Pipelines

• دمو: میکروسرویس PyTorch پیش‌آموزش‌دیده با Rust Demo: Rust pretrained PyTorch microservice

• بررسی جامع میکروسرویس Rust و PyTorch A Rust and PyTorch microservice walkthrough

• سرویس‌دهی TensorFlow با داکر فعال شده با GPU TensorFlow serving with a GPU-enabled Docker

23. جمع‌بندی: اتوماسیون و ارکستراسیون خط لوله‌های یادگیری ماشین 23. Conclusion: Automating and Orchestrating ML Pipelines

• اتوماسیون و ارکستراسیون خط لوله‌های ML: گام‌های بعدی Automating and orchestrating ML pipelines: Next steps

24. مقدمه: مانیتورینگ، بهینه‌سازی و نگهداری راهکارهای یادگیری ماشین 24. Introduction: Monitoring, Optimizing, and Maintaining ML Solutions

• مانیتورینگ، بهینه‌سازی و نگهداری راهکارهای ML: بررسی کلی Monitoring, optimizing, and maintaining ML solutions: Overview

• مانیتورینگ، بهینه‌سازی و نگهداری راهکارهای ML: اصطلاحات کلیدی Monitoring, optimizing, and maintaining ML solutions: Key terminology

25. راهکارهای یادگیری ماشین 25. ML Solutions

• ساخت یک مترجم با Rust و Hugging Face Building a translator with Rust and Hugging Face

• دمو: تست بار (Load Testing) با Rust Demo: Load testing with Rust

• استفاده از دوره‌های آموزشی گوگل Using Google Courses

• دمو: کوئری زدن خروجی‌های لاگ با BigQuery Demo: Querying logging output with BigQuery

• ساخت تست استرس برای CUDA GPU Building a CUDA GPU stress test

• دمو: داشبورد لاگ‌گذاری Demo: Logging dashboard

• توضیح رانش داده‌ها (Data Drift) با مثال مشکل کودک شرور Data drift explained by the naughty child problem

• دمو: اسکنر امنیتی وب ابری Demo: Cloud web security scanner

• دمو: حسابرسی (Auditing) از طریق لاگ‌ها Demo: Auditing via logs

• تست بار با استفاده از Locust Load testing with Locust

• استفاده از Rust با PyTorch Using Rust with PyTorch

• استفاده از PyTorch و Rust برای Stable Diffusion Using PyTorch and Rust for stable diffusion

• تکنیک پنج چرا (Five Whys) Five whys

جمع‌بندی نهایی Conclusion

• گام‌های بعدی Next steps