کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آمادگی آزمون AWS Certified Machine Learning Engineer – Associate (MLA-C01) - آخرین آپدیت

دانلود AWS Certified Machine Learning Engineer Associate (MLA-C01) Cert Prep

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آزمون AWS Certified Machine Learning Engineer - Associate

آزمون AWS Certified Machine Learning Engineer - Associate توانایی شما را در ساخت، عملیاتی کردن، استقرار و نگهداری راه‌حل‌ها و خطوط لوله یادگیری ماشین (ML) با استفاده از AWS Cloud تأیید می‌کند.

آمادگی برای آزمون: یادگیری مهارت‌های کلیدی

  • ورود، تبدیل، اعتبارسنجی و آماده‌سازی داده‌ها برای مدل‌سازی ML.
  • انتخاب رویکردهای کلی مدل‌سازی، آموزش مدل‌ها، تنظیم هایپرپارامترها، تجزیه و تحلیل عملکرد مدل و مدیریت نسخه‌های مدل.
  • انتخاب زیرساخت و نقاط پایانی استقرار، تخصیص منابع محاسباتی و پیکربندی مقیاس‌پذیری خودکار بر اساس الزامات.
  • راه‌اندازی خطوط لوله ادغام مداوم و تحویل مداوم (CI/CD) برای خودکارسازی هماهنگ‌سازی گردش کارهای ML.
  • نظارت بر مدل‌ها، داده‌ها و زیرساخت برای شناسایی مشکلات.
  • امن‌سازی سیستم‌ها و منابع ML از طریق کنترل‌های دسترسی، ویژگی‌های انطباق و بهترین شیوه‌ها.

کلمات کلیدی مرتبط با AWS ML Engineer Associate:

AWS Certified Machine Learning Engineer، آزمون AWS ML، مهندسی یادگیری ماشین AWS، استقرار مدل ML در AWS، خطوط لوله ML AWS، آماده‌سازی داده برای ML، مدل‌سازی AWS، تنظیم هایپرپارامتر AWS، CI/CD برای ML، نظارت بر مدل AWS، امنیت ML AWS، گواهینامه AWS، AWS Cloud، یادگیری ماشین.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه‌ای بر MLA Introduction to MLA

ذخیره‌سازی و ورود داده‌ها 1. Data Storage and Ingestion

  • کتابخانه کلاینت آمازون کینیسیس (KCL) Amazon Kinesis Client Library (KCL)

  • آمازون کینیسیس آنالیتیکس Amazon Kinesis Analytics

  • انبارهای داده Data warehouses

  • OLTP در مقابل OLAP OLTP vs. OLAP

  • استفاده از EFS با لامبدا Using EFS with Lambda

  • آمازون ردشیفت سرورلس Amazon Redshift Serverless

  • آمازون کینزیس استریم داده Amazon Kinesis Data Streams

  • آمازون ردشیفت Amazon Redshift

  • خدمات مدیریت شده آمازون برای آپاچی فلینک Amazon Managed Service for Apache Flink

  • آمازون MSK Amazon MSK

  • فرمت‌های داده Data formats

  • یادگیری عملی: پیکربندی یک جریان Amazon Data Firehose Hands-on learning: Configure an Amazon Data Firehose stream

  • استخراج داده از ذخیره‌سازی Extracting data from storage

  • مقدمه: ذخیره‌سازی و پردازش داده‌ها Intro: Data storage and ingestion

  • مقایسه هزینه و عملکرد Cost and performance comparisons

  • آموزش عملی: ایجاد یک تابع AWS Lambda برای مصرف جریان داده Kinesis Hands-on learning: Create an AWS Lambda function to consume a Kinesis Data Stream

  • آمازون دیتا فایرهوس Amazon Data Firehose

  • خلاصه گزینه‌های ذخیره‌سازی Summary of storage options

  • آمازون اف‌اس‌ایکس Amazon FSx

  • کینزی یا MSK؟ مقایسه سرویس‌های داده بلادرنگ Kinesis vs. MSK

  • آپاچی کافکا Apache Kafka

  • یادگیری عملی: بارگذاری داده‌ها در منابع آموزش مدل Hands-on learning: Loading data into model training resource

  • تطبیق با الگوهای دسترسی Aligning to access patterns

  • انواع داده Types of data

  • آموزش عملی: ایجاد جریان داده Hands-on learning: Create a data stream

  • دریاچه‌های داده Data lakes

  • سکوی ذخیره‌سازی Storage platforms

  • مدل‌سازی داده Data modeling

  • سه V The three Vs

  • آمازون کینزیس ویدئو استریمز Amazon Kinesis Video Streams

  • مطالعه فشرده برای آزمون Exam cram

  • بچ در مقابل استریمینگ Batch versus streaming

  • سناریوهای دریافت داده Data ingestion scenarios

۲. تحلیل اکتشافی داده‌ها 2. Exploratory Data Analysis

  • معرفی آمازون EMR Amazon EMR introduction

  • طرح‌ها Plots

  • آپاچی اسپارک Apache Spark

  • تکنیک‌های نسبت‌دهی Imputation techniques

  • تبدیل داده (متن به تصویر) Data transformation (text-images)

  • یادگیری عملی: راه‌اندازی خوشه EMR Hands-on learning: Launch an EMR cluster

  • آمازون آتنا Amazon Athena

  • مهندسی ویژگی Feature engineering

  • یادگیری عملی: ایجاد پروژه DataBrew Hands-on learning: Create a DataBrew project

  • تبدیل جریان داده (Lambda و Spark) Transforming streaming data (Lambda and Spark)

  • تحلیل اکتشافی داده‌ها: مقدمه Intro: Exploratory data analysis

  • آموزش عملی: اجرای کوئری‌های SQL در آتنا Hands-on learning: Running SQL queries in Athena

  • چارچوب‌های هدوپ Hadoop frameworks

  • معماری آمازون EMR Amazon EMR architecture

  • سرورلس EMR EMR Serverless

  • نقاط پرت Outliers

  • AWS Glue DataBrew AWS Glue DataBrew

  • کاتالوگ داده AWS Glue AWS Glue Data Catalog

  • فشرده‌سازی امتحان Exam cram

  • داده‌های نامتعادل Unbalanced data

  • آپاچی هادوپ Apache Hadoop

  • یادگیری عملی: AWS Glue (خزنده و تبدیل داده) Hands-on learning: AWS Glue (crawler and transformation)

  • انواع داده Data types

  • AWS Glue AWS Glue

  • یادگیری عملی: ساخت کاتالوگ داده AWS Glue Hands-on learning: Create an AWS Glue Data Catalog

  • فروشگاه ویژگی آمازون سیج‌میکر Amazon SageMaker Feature Store

  • تبدیل داده (اعداد-دسته‌بندی‌ها) Data transformation (numbers-categories)

  • توزیع داده Data distribution

3. یادگیری ماشین 3. Machine Learning

  • کوچک‌سازی حجم مدل Reducing model size

  • شبکه عصبی کانولوشنی (CNN) Convolutional neural network (CNN)

  • مشکلات شبکه‌های عصبی Neural networks' problems

  • کاربردهای واقعی هوش مصنوعی AI real-world applications

  • جلوگیری از بیش‌برازش Preventing overfitting

  • رگرسیون Regression

  • تفسیر مدل‌های یادگیری ماشین Interpreting ML models

  • بهینه‌سازی عملکرد، زمان آموزش و هزینه‌ها: انتخاب‌های هوشمندانه Performance, training time, and cost tradeoffs

  • یادگیری جمعی Ensemble learning

  • یادگیری عمیق Deep learning

  • بینایی کامپیوتر Computer vision (CV)

  • کاهش ابعاد Dimensionality reduction

  • مطالعه فشرده برای امتحان Exam cram

  • طبقه‌بندی هوش مصنوعی Taxonomy of AI

  • بیش‌برازش و کم‌برازش Overfitting and underfitting

  • تکنیک‌های اعتبارسنجی Validation techniques

  • ارزیابی مدل طبقه‌بندی Classification-model evaluation

  • ارزیابی مدل رگرسیون Regression-model evaluation

  • چشم‌انداز کسب و کار هوش مصنوعی Business view for AI

  • منابع مدل‌های یادگیری ماشین Sources of ML models

  • دسته‌بندی‌های یادگیری ماشین Machine learning categories

  • کاربردهای هوش مصنوعی AI use cases

  • روش‌های سنتی در مقابل هوش مصنوعی برای حل مسائل Traditional vs. AI methods for solving problems

  • پردازش زبان طبیعی (NLP) Natural language processing (NLP)

  • پیشرفت‌های پردازش زبان طبیعی Advancements in NLP

  • درختان تصمیم Decision trees

  • ویژگی‌های شبکه‌های عصبی Neural network characteristics

  • شبکه عصبی بازگشتی Recurrent neural network

  • مقدمه: یادگیری ماشین Intro: Machine learning

  • طبقه بندی Classification

4. مدیریت خدمات هوش مصنوعی 4. Managed AI Services

  • یادگیری عملی: آمازون پولی Hands-on learning: Amazon Polly

  • آمازون فورکست Amazon Forecast

  • آموزش عملی: Amazon Transcribe Hands-on learning: Amazon Transcribe

  • یادگیری عملی: Amazon Translate Hands-on learning: Amazon Translate

  • آمازون کیو توسعه‌دهنده Amazon Q Developer

  • آمازون پرسنالایز Amazon Personalize

  • آشکارساز تقلب آمازون Amazon Fraud Detector

  • آموزش عملی: اپلیکیشن‌های Amazon Q Hands-on learning: Amazon Q Apps

  • آمازون کندرا Amazon Kendra

  • یادگیری عملی: Amazon Q Business Hands-on learning: Amazon Q Business

  • ماشین‌های مجازی EC2 برای هوش مصنوعی EC2 instances for AI

  • آمازون Rekognition Amazon Rekognition

  • اپلیکیشن‌های Amazon Q Amazon Q Apps

  • آمازون کیو بیزینس Amazon Q Business

  • آمازون لکس Amazon Lex

  • خلاصه امتحانی Exam cram

  • آمازون تکستراکت Amazon Textract

  • تحلیل احساسات نظرات مشتریان: یادگیری عملی Hands-on learning: Customer reviews sentiment analysis

  • آمازون ترنسکرایب Amazon Transcribe

  • یادگیری عملی: Amazon Kendra Hands-on learning: Amazon Kendra

  • یادگیری عملی: Amazon Textract Hands-on learning: Amazon Textract

  • یادگیری عملی: PartyRock (محیط بازی Amazon Bedrock) Hands-on learning: PartyRock (Amazon Bedrock playground)

  • آمازون آگمنتد ای‌آی Amazon Augmented AI

  • آمازون کامپرهند Amazon Comprehend

  • مقدمه: خدمات هوش مصنوعی مدیریت شده Intro: Managed AI services

  • خدمات هوش مصنوعی AI services

  • آمازون بدراک Amazon Bedrock

  • ترجمه آمازون Amazon Translate

  • یادگیری عملی: Amazon Rekognition Hands-on learning: Amazon Rekognition

  • آمازون پولی Amazon Polly

۵. مدل‌سازی (الگوریتم‌های داخلی SageMaker) 5. Modelling (SageMaker Built-In Algorithms)

  • مروری بر الگوریتم‌های داخلی Built-in algorithms overview

  • یادگیری عملی: گشت و گذار در آمازون سیج‌میکر Hands-on learning: Amazon SageMaker walkthrough

  • تخصیص دیریکله پنهان (LDA) Latent Dirichlet Allocation (LDA)

  • ابجکت۲وِک Object2Vec

  • ماشین‌های فاکتورگیری Factorization Machines

  • الگوریتم‌های داخلی خلاصه‌سازی Built-in algorithms recap

  • یادگیری تقویتی Reinforcement learning

  • لایتبی‌جی‌ام LightGBM

  • مدل موضوعی عصبی (NTM) Neural Topic Model (NTM)

  • بلزینگ‌تکست BlazingText

  • یادگیری عملی: ایجاد نمونه نوت‌بوک Amazon SageMaker Hands-on learning: Create an Amazon SageMaker notebook instance

  • کی-نزدیک‌ترین همسایگان K-Nearest Neighbours

  • جنگل برش تصادفی (RCF) Random Cut Forest (RCF)

  • ایکس‌جی‌بوست XGBoost

  • خوشه‌بندی K-means K-means clustering

  • س تو سِک (Seq2Seq) Seq2Seq

  • تنظیم هایپرپارامتر (تنظیم خودکار مدل) Hyperparameter tuning (automatic model tuning)

  • طبقه‌بندی تصویر Image classification

  • مقدمه: مدل‌سازی (الگوریتم‌های داخلی SageMaker) Intro: Modelling (SageMaker built-in algorithms)

  • مطالعه فشرده برای امتحان Exam cram

  • تقسیم‌بندی معنایی Semantic segmentation

  • خوشه‌بندی سلسله مراتبی Hierarchical clustering

  • بینش IP IP Insights

  • تحلیل مولفه‌های اصلی (PCA) Principal Component Analysis (PCA)

  • تشخیص اشیاء Object detection

  • یادگیری عملی: تنظیم پارامترهای فرین برای شغل Hands-on learning: Hyperparameter tuning job

  • یادگیرنده خطی Linear Learner

  • دیپ‌ای‌آر (DeepAR) DeepAR

  • آمازون سیج‌میکر، سیج‌میکر استودیو Amazon SageMaker, SageMaker Studio

سرویس‌های آمازون سیج‌میکر 6. Amazon SageMaker Services

  • سِیج‌میکر مدل مانیتور SageMaker Model Monitor

  • آمازون سیج‌میکر کلاریفای Amazon SageMaker Clarify

  • مطالعه فشرده برای امتحان Exam cram

  • SageMaker Data Wrangler SageMaker Data Wrangler

  • سِیج‌میکر کنوس SageMaker Canvas

  • SageMaker Model Registry SageMaker Model Registry

  • سوگیری در یادگیری ماشین Bias in machine learning

  • یادگیری عملی: ایجاد یک شغل برچسب‌گذاری Hands-on learning: Create a labelling job

  • یادگیری عملی: SageMaker Data Wrangler Hands-on learning: SageMaker Data Wrangler

  • آمازون سیج‌میکر گراند تروث Amazon SageMaker Ground Truth

  • یادگیری عملی: SageMaker Canvas Hands-on learning: SageMaker Canvas

  • فروشگاه ویژگی SageMaker آمازون Amazon SageMaker Feature Store

  • آموزش عملی: Amazon SageMaker Clarify Hands-on learning: Amazon SageMaker Clarify

  • معرفی: خدمات آمازون سیج‌میکر Intro: Amazon SageMaker services

7. استقرار مدل 7. Model Deployment

  • مطالعه فشرده برای امتحان Exam cram

  • یادگیری عملی: حالت اسکریپت Hands-on learning: Script mode

  • Amazon SageMaker Serverless Inference Amazon SageMaker Serverless Inference

  • امنیت SageMaker SageMaker security

  • یادگیری عملی: نقطه پایانی چند مدلی Hands-on learning: Multi-model endpoint

  • خط لوله استنتاج Inference pipeline

  • SageMaker Debugger SageMaker Debugger

  • SageMaker Neo SageMaker Neo

  • استقرار پایدار، مقیاس‌پذیر و مقرون‌به‌صرفه Maintainable, scalable, cost-effective deployments

  • استقرار SageMaker SageMaker deployment

  • پیشنهادگر استنتاج آمازون سیج‌میکر Amazon SageMaker Inference Recommender

  • استنتاج آنلاین (در لحظه) Online inference (real-time)

  • استقرار‌های دیگر Other deployments

  • خدمات هدف استقرار Deployment target services

  • اندپوینت‌های چندمدلی در مقابل اندپوینت‌های چندکانتینری Multi-model vs. multi-container endpoints

  • یادگیری عملی: XGBoost (پیش‌بینی ریزش مشتری) Hands-on learning: XGBoost (churn prediction)

  • ایرفلو آپاچی، پایپ‌لاینز سیج‌میکر Apache Airflow, SageMaker Pipelines

  • آموزش عملی: استنتاج بدون سرور SageMaker Hands-on learning: SageMaker serverless inference

  • مقدمه: استقرار مدل Intro: Model deployment

  • انواع نمونه‌های SageMaker SageMaker instance types

  • تبدیل دسته‌ای Batch transform

  • آموزش عملی: نقطه پایانی چند کانتینری Hands-on learning: Multi-container endpoint

  • یادگیری عملی: داکر خودتان را بیاورید (BYO Docker) Hands-on learning: Bring your own (BYO) Docker

  • سیستم یادگیری ماشین مجزا Isolated ML system

  • مقیاس‌پذیری خودکار معیارهای خودکار Automatic scaling metrics

  • سیج میکر اتوپایلوت SageMaker Autopilot

  • تحلیل مبادله عملکرد Performance tradeoff analysis

  • آموزش توزیع شده Distributed training

  • SageMaker SDK SageMaker SDK

  • یادگیری عملی: SageMaker Model Monitor Hands-on learning: SageMaker Model Monitor

۸. زیرساخت AWS، MLOps و ارکستراسیون 8. AWS Infrastructure, MLOps, and Orchestration

  • آزمون‌های خودکار در خطوط لوله CI/CD Automated tests in CI/CD pipelines

  • گیت‌فلو، گیت‌هاب فلو GitFlow, GitHub Flow

  • کانتینرهای داکر با سیج‌میکر Docker containers with SageMaker

  • چارچوب بازآموزی مدل Model retraining framework

  • سرویس کانتینر الاستیک آمازون (ECS) Amazon Elastic Container Service (ECS)

  • خدمات زیرساخت به عنوان کد (IaC) Infrastructure as code (IaC) services

  • مروری بر CI/CD CI/CD overview

  • SageMaker MLOps برای Kubernetes و پروژه‌های SageMaker SageMaker MLOps for Kubernetes and SageMaker projects

  • یادگیری عملی: CI/CD برای آموزش و استقرار Hands-on learning: CI/CD for training and deployment

  • مقدمه: زیرساخت AWS، MLOps و ارکستراسیون Intro: AWS infrastructure, MLOps, and orchestration

  • یادگیری عملی: اجرای کانتینرهای داکر بر روی AWS Fargate Hands-on learning: Launch Docker containers on AWS Fargate

  • کانتینرهای داکر و میکروسرویس‌ها Docker containers and microservices

  • منابع درخواستی در مقابل منابع تخصیص‌داده‌شده On-demand vs. provisioned resources

  • جمع‌بندی امتحانی Exam cram

  • خط لوله‌های CI/CD با استفاده از AWS CodePipeline، CodeBuild و CodeDeploy (CI/CD) Pipelines using AWS CodePipeline, CodeBuild, and CodeDeploy

  • سیاست‌های مقیاس‌پذیری Scaling policies

  • خدمات اتوماسیون ارکستراسیون در یادگیری ماشین Services to automate orchestration in ML

۹. مدل‌های بنیادی و کاربردهای آن‌ها 9. Foundation Models and Applications

  • مقدمه: مدل‌های پایه و کاربردها Intro: Foundation models and applications

  • ارزیابی مدل پایه Evaluating a foundation model

  • تنظیم پارامترهای استنتاج Tweaking inference parameters

  • تعبیه‌ها و پایگاه‌های داده برداری Embeddings and vector databases

  • کاربردهای RAG RAG use cases

  • انتخاب رویکرد مناسب: تنظیم دقیق (Fine-tuning) در مقابل RAG Choosing the right approach: Fine-tuning vs. RAG

  • اهداف تجاری برای مدل‌های بنیادین Business objectives for foundation models

  • آموزش عملی: تنظیم پارامترهای استنتاج Hands-on learning: Tweaking inference parameters

  • یادگیری عملی: پایگاه دانش آمازون بدراک Hands-on learning: Amazon Bedrock knowledge bases

  • معیارهای انتخاب مدل‌های از پیش آموزش‌دیده Selection criteria for pre-trained models

  • بهینه‌سازی مدل‌های پایه‌ای Optimizing foundation models

  • آماده‌سازی داده برای تنظیم دقیق (Fine-tuning) Data preparation for fine-tuning

  • چرخه عمر مدل پایه Foundation model lifecycle

  • تولید افزوده بازیابی (RAG) Retrieval augmented generation (RAG)

  • RAG در Amazon Bedrock RAG in Amazon Bedrock

  • تنظیم دقیق مدل پایه (بررسی عمیق) Fine-tuning a foundation model (deep dive)

  • معیارهای عملکرد مدل بنیادین Foundation model performance metrics

10. خدمات و زیرساخت‌های هوش مصنوعی مولد AWS 10. AWS GenAI services and infrastructure

  • چرا زیرساخت AWS برای هوش مصنوعی مولد Why AWS infrastructure for GenAI

  • موازنه هزینه خدمات هوش مصنوعی مولد AWS Cost tradeoffs of AWS GenAI services

  • انتخاب مدل‌های پایه و سرویس GenAI آمازون وب سرویس (AWS) Choosing foundation models and AWS GenAI service

  • خدمات AWS برای هوش مصنوعی مولد AWS services for GenAI

  • مقدمه: خدمات و زیرساخت‌های هوش مصنوعی مولد (GenAI) Intro: GenAI services and infrastructure

  • چرا خدمات AWS برای هوش مصنوعی مولد؟ Why AWS services for GenAI?

  • EC2 برای GenAI EC2 for GenAI

۱۱. پایش و بهینه‌سازی 11. Monitoring and Optimization

  • مقدمه: پایش و بهینه‌سازی Intro: Monitoring and optimization

  • AWS X-Ray AWS X-Ray

  • یادگیری عملی: ایجاد تحلیل با QuickSight Hands-on learning: Create an analysis using QuickSight

  • خدمات AWS برای انطباق با مقررات AWS services for regulatory compliance

  • مانیتورینگ SageMaker SageMaker monitoring

  • AWS CloudTrail برای یادگیری ماشین AWS CloudTrail for ML

  • ML Lens برای نظارت ML Lens for monitoring

  • آمازون کویک‌سایت Amazon QuickSight

  • استانداردهای انطباق مقررات برای سیستم‌های هوش مصنوعی Regulatory compliance standards for AI systems

  • CloudWatch برای یادگیری ماشین CloudWatch for ML

  • مطالعه فشرده برای امتحان Exam cram

تجزیه و تحلیل پیشرفته QGIS با هوش مصنوعی و یادگیری ماشین

تجزیه و تحلیل پیشرفته QGIS با هوش مصنوعی و یادگیری ماشین

Advanced QGIS Analysis with AI and Machine Learning

آموزش پانداهای پایتون | راه به سمت یادگیری ماشین قسمت 3

آموزش پانداهای پایتون | راه به سمت یادگیری ماشین قسمت 3

Python pandas tutorial | road to machine learning part 3

آموزش یادگیری ماشین کاربردی: یادگیری گروه

آموزش یادگیری ماشین کاربردی: یادگیری گروه

Applied Machine Learning: Ensemble Learning

نمایش نظرات

آمادگی آزمون AWS Certified Machine Learning Engineer – Associate (MLA-C01)
جزییات دوره
24h 58m
247
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
749
- از 5
دارد
دارد
دارد

https://donyad.com/d/7b19a6

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karim El-Kobrossy Karim El-Kobrossy

کریم الکبروسی: مهندس نرم‌افزار، علم داده و هوش مصنوعی در NIHR Innovation Observatory

کریم، مهندس یادگیری ماشین ماهر و نویسنده‌ای با درک عمیق از رشته‌های متعدد از جمله علوم کامپیوتر، رایانش ابری، هوش مصنوعی و مهندسی مکانیک و برق است. او در مواجهه با پروژه‌های پیچیده و میان‌رشته‌ای، با بهره‌گیری از تخصص در زمینه‌های متنوع، راه‌حل‌های نوآورانه ارائه می‌دهد.

Digital Cloud Training Digital Cloud Training

آموزش ابری دیجیتال (Digital Cloud Training) آموزش رایانش ابری ارائه می‌دهد.

آموزش ابری دیجیتال به شما کمک می‌کند تا مهارت‌های واقعی AWS را کسب کنید، گواهینامه‌ها را دریافت کنید و با دوره‌های عملی و تحت هدایت کارشناسان، شغل خود را ارتقا دهید. برنامه‌های ما برای سرعت بخشیدن به حرفه ابری شما طراحی شده‌اند؛ چه تازه شروع کرده باشید و چه برای نقش جدیدی در رایانش ابری یا هوش مصنوعی، مهارت‌های خود را ارتقا دهید. با تمرکز قوی بر یادگیری عملی، آمادگی برای آزمون‌های گواهینامه و آمادگی شغلی، ما به بیش از یک میلیون دانشجو کمک کرده‌ایم تا با اطمینان شغل فنی خود را پیش ببرند. بوت‌کمپ تسلط بر ابر (Cloud Mastery Bootcamp) برنامه شاخص ماست که برای کمک به شما در توسعه مهارت‌های آماده به کار طراحی شده است تا استخدام شوید – با راهنمایی کارشناسان در هر مرحله. گامی بعدی را به سوی شغلی پردرآمد در حوزه ابر با بوت‌کمپ عملی ما در اینجا بردارید.

Machine Learning Amazon Web Services (AWS) یادگیری ماشین آمازون وب سرویسز (AWS)