طراحی راهکارهای یادگیری ماشین در Azure و آمادگی برای آزمون DP-100 - آخرین آپدیت

سرفصل ها و درس ها

Module 1-درس 1: یادگیری ماشین Azure چیست Module 1 - Lesson 1 - What is Azure Machine Learning

• معرفی Azure ML به عنوان پلتفرمی ابری برای مقیاس‌پذیری Introduction to Azure ML as a cloud-based platform for Scalability

• مزایای مقیاس‌پذیری، اتوماسیون، زیرساخت مدیریت شده و آمادگی MLOps The Benefits of Scalability, Automation, Managed infrastructure, MLOps readiness

• نمونه‌های کاربردی در صنایع مختلف Use cases across industries

Module 1-فصل 2: بررسی عمیق معماری Azure ML Module 1 - Chapter 2 - Azure ML Architecture Deep Dive

• معماری هسته: فضای کاری، محاسبات، ذخیره‌سازی، محیط‌ها، مدل‌ها Core architecture workspace, compute, storage, environments, models

• این قطعات چگونه در داخل Azure به هم متصل می‌شوند؟ How do these pieces connect inside Azure ?

• یکپارچگی با سایر سرویس‌ها مانند Key Vault و Application Insights Integration with other services like Key Vault and Application Insights

Module 1-فصل 3: پیمایش در رابط کاربری Azure ML Studio Module 1 - Chapter 3 - Navigating the Azure ML Studio Interface

• راهنمای گام‌به‌گام Azure ML Studio Guided walkthrough of Azure ML Studio

• بررسی بخش‌های آزمایش‌ها، خط لوله‌ها، مدل‌ها، مجموعه‌داده‌ها، محاسبات و نقاط انتهایی Explore sections Experiments, Pipelines, Models, Datasets, Compute and Endpoints

• دموی پیمایش در رابط کاربری Azure ML Studio Navigating the Azure ML Studio Interface - DEMO

Module 1-فصل 4: منابع فضای کاری و انواع دارایی‌ها Module 1 - Chapter 4 - Workspace Resources and Asset Types

• درک محتویات یک فضای کاری: آزمایش‌ها، اهداف محاسباتی، محیط‌ها Understand what’s inside a workspace experiments, compute targets, environments

• نحوه استفاده از هر منبع در چرخه حیات ML How each resource is used in the ML lifecycle

• مقایسه Azure ML Studio، پورتال Azure، CLI و SDK Compare Azure ML Studio, Azure Portal, CLI, and SDK

Module 1-فصل 5: کار با Visual Studio Code و Azure ML Module 1 - Chapter 5- Working with Visual Studio Code & Azure ML

• کار با Visual Studio Code و Azure ML Working with Visual Studio Code & Azure ML

• نصب افزونه Azure ML، اتصال به فضای کاری و باز کردن نوت‌بوک Install Azure ML extension, connect to workspace and open a notebook

Module 1-فصل 6: درک نسخه‌های فضای کاری (Workspace Editions) Module 1 - Chapter 6 - Understanding Workspace Editions

• تفاوت بین نسخه‌های Basic و Enterprise Difference between Basic and Enterprise editions

• هر نسخه شامل چه مواردی است (مثلاً Designer، AutoML، ابزارهای AI مسئولانه) What’s included in each (e.g., Designer, AutoML, Responsible AI tools )

• کدام ویژگی‌ها برای آزمون DP-100 مرتبط هستند Which features are relevant for DP-100

Module 1-فصل 7: ایجاد یک فضای کاری Azure ML Module 1 - Chapter 7 - Creating an Azure ML Workspace

• ایجاد فضای کاری در Azure ML Studio Azure Ml Studio-Workspace Creation

• تأیید منابع تخصیص یافته: ذخیره‌سازی، Key Vault، App Insights Verify provisioned resources storage, key vault, app insights

• پیمایش در رابط کاربری Azure ML Studio Azure ML Studio-UI Navigation

Module 1-فصل 8: ایجاد منابع محاسباتی در Azure ML Module 1 - Chapter 8 - Creating Compute Resources in Azure ML

• ایجاد Compute Instance و Compute Cluster Compute Instance and a Compute Cluster Creation

• توضیح گزینه‌های اندازه، مقیاس‌پذیری خودکار و ملاحظات هزینه Explain size options, autoscaling, and cost considerations_

• استفاده از Jupyter notebook در Compute Instance و دسترسی با SDK پایتون Jupyter notebook in Compute Instance, access workspace with Python SDK, list

Module 1-فصل 9: بررسی Azure ML با استفاده از CLI Module 1- Chapter 9 - Exploring Azure ML with the CLI

• بررسی Azure ML با استفاده از CLI Exploring Azure ML with the CLI

• بحث در مورد کاربرد CLI در اسکریپت‌نویسی و CI/CD Discuss how the CLI can be useful in scripting and CI\CD

DP 100-آزمون ماژول 1: مبانی یادگیری ماشین Azure DP-100 Module 1 Quiz – Azure Machine Learning Fundamentals

• آزمون ماژول 1: مبانی یادگیری ماشین Azure DP-100 Module 1 Quiz – Azure Machine Learning Fundamentals

Module 2-فصل 1: معرفی Azure ML Designer Module 2 - Chapter 1- Introduction to Azure ML Designer

• Azure ML Designer چیست What is Azure ML Designer

• مزایای کلیدی: ایجاد خط لوله بدون کد، رابط کشیدن و رها کردن، آزمایش آسان Key benefits no-code pipeline creation, drag-and-drop interface, easy experiment

• چه زمانی و چرا از Designer به جای راهکارهای کد-محور استفاده کنیم When and why to use Designer over code-based solutions_

• نمونه‌های کاربردی و تناسب با سطوح مختلف مهارتی Use cases and suitability for different skill levels

Module 2-فصل 2: بررسی رابط کاربری Designer Module 2 - Chapter 2 - Exploring the Designer Interface

• مروری بر بخش‌های کلیدی: بوم (Canvas)، جعبه ابزار ماژول‌ها، پنل‌های ورودی و خروجی Overview of key sections canvas, module toolbox, input & output panels

• بررسی رابط کاربری Designer Exploring The Designer Interface

Module 2-فصل 3: یادگیری ماشین بدون کد در مقابل کد-محور Module 2- Chapter 3 - No-Code vs Code-Based Machine Learning

• مقایسه Designer در مقابل Python SDK Comparison Designer vs. Python SDK

• مزایا و معایب هر کدام برای سناریوهای مختلف Pros and cons of each for different scenarios

• چه زمانی ML بدون کد مناسب‌ترین است (تحلیلگران کسب‌وکار، POCها، تست سریع مدل) When is no-code ML best suited (business analysts, POCs, quick model testing)

Module 2-فصل 4: ساخت یک خط لوله آموزشی با Designer Module 2 - Chapter 4 - Building a Training Pipeline with Designer

• مفهوم خط لوله آموزشی: ورودی داده، پیش‌پردازش، آموزش، ارزیابی Concept of a training pipeline – data input, preprocessing, training, evaluation

• وارد کردن مجموعه‌داده نمونه و ساخت خط لوله ML Importing a Sample Dataset & Building ML Pipeline

• اجرای خط لوله و بررسی نتایج آزمایش Running the Pipeline and reviewing experiment results

Module 2-فصل 5: تفسیر نتایج آزمایش در Designer Module 2 - Chapter 5 - Interpreting Experiment Results in Designer

• درک وضعیت‌های اجرای ماژول، بصری‌سازی خروجی‌ها و معیارهای ارزیابی Understand module run statuses, output visualizations, and evaluation metrics

• مشاهده معیارهای MAE، RMSE یا Accuracy از ماژول Evaluate Model Viewing Metrics MAE, RMSE or Accuracy from the “Evaluate Model” module

Module 2-فصل 6: ایجاد خط لوله استنتاج از خط لوله آموزشی Module 2 - Chapter 6 - Creating an Inference Pipeline from Training Pipeline

• خط لوله استنتاج (Inference Pipeline) چیست؟ What is an inference pipeline ?

• تفاوت بین جریان‌های آموزشی و استنتاجی Difference between training and inference flows

• استفاده از دکمه Create Inference Pipeline در Designer برای تبدیل مدل Use the _Create Inference Pipeline_ button in Designer to convert a completed

• افزودن و تنظیم ماژول‌های ورودی/خروجی سرویس وب Add adjust Web Service Input Output modules

Module 2-فصل 7: استنتاج آنی در مقابل استنتاج دسته‌ای در Designer Module 2- Chapter 7 - Real-Time vs. Batch Inference in Designer

• مفاهیم استنتاج آنی (Real-time) و استنتاج دسته‌ای (Batch) Concepts Real-time inference Batch inference

• کدام یک بهتر است؟ مقایسه بر اساس موارد کاربردی کسب‌وکار Which is better when Business use case comparison ?

Module 2-فصل 8: استقرار مدل با Designer در ACI یا AKS Module 2 - Chapter 8 - Deploying a Model with Designer to ACI or AKS

• مروری بر استقرار مدل با Designer در ACI یا AKS Overview-Deploying a Model with Designer to ACI or AKS

DP 100-آزمون ماژول 2: Azure ML Designer DP-100 Module 2 Quiz-Azure ML Designer

• آزمون ماژول 2: Azure ML Designer DP-100 Module 2 Quiz-Azure ML Designer

Module 3-بخش 1: آزمایش‌ها (Experiments) و اجراها (Runs) در Azure ML چیستند؟ Module 3 - Section 1. What Are Experiments and Runs in Azure ML?

• نحوه ردیابی متادیتای آزمایش، کد منبع، خروجی‌ها و معیارها توسط Azure ML How Azure ML tracks experiment metadata, source code, outputs, and metrics

• معرفی مفهوم «اجرا» (یک بار اجرای اسکریپت آموزشی) Introduce the concept of a “run” (single execution of a training script)

• اهمیت ردیابی برای نسخه‌بندی، حسابرسی و تکرارپذیری Importance of tracking for versioning, auditing, and reproducibility

Module 3-بخش 2: کالبدشکافی یک اجرای آموزشی در Azure ML Module 3 - Section 2- Anatomy of a Training Run in Azure ML

• هنگام ارسال اسکریپت به Azure ML چه اتفاقی می‌افتد؟ (بخش 1) What happens when you submit a script to Azure ML Part-1

• هنگام ارسال اسکریپت به Azure ML چه اتفاقی می‌افتد؟ (بخش 2) What happens when you submit a script to Azure ML Part-2

• مرور کلی SDK SDK Overview

• متدهای SDK SDK methods

• استفاده از SDK v1 با اسکریپت حداقلی SDK v1 with minimal script

• استفاده از SDK v2 با اسکریپت حداقلی SDK v2 with minimal script

• مدل ثبت‌شده (Registered Model) چیست و چرا اهمیت دارد What is a registered model and why it matters

Module 3-بخش 3: ثبت معیارها و نظارت بر اجراها Module 3 -Section 3- Logging Metrics and Monitoring Runs

• چرا و چگونه معیارها (دقت، خطا و غیره) را از اسکریپت ثبت کنیم Why and how to log metrics (accuracy, loss, etc.) from your script using

• مشاهده معیارها در پنل جزئیات اجرا در Azure ML Studio View metrics in Azure ML Studio’s Run Details panel

• عیب‌یابی اجراهای شکست‌خورده با استفاده از stdout، stderr و لاگ‌های txt How to troubleshoot failed runs using stdout, stderr, and .txt logs

• ادامه آزمایشگاه Lab Continuation

Module 3-بخش 4: استفاده از اهداف محاسباتی: محلی در مقابل دوررس Module 3 - Section 4. Using Compute Targets: Local vs. Remote

• چه زمانی از Compute Instance و چه زمانی از Compute Cluster استفاده کنیم When to use Compute Instance & Compute Cluster

• نحوه تعیین اهداف محاسباتی در SDK How to specify compute targets in SDK

• به‌روزرسانی اسکریپت آموزشی و ارسال به خوشه Updating the training script - Submitting to a cluster .mp4

Module 3-بخش 5: بهترین روش‌های آزمایش Module 3 - Section 5. Experimentation Best Practices

• استفاده از نام‌ها و تگ‌های توصیفی برای آزمایش‌ها Use descriptive experiment names and tags

• ماژولار نگه داشتن اسکریپت‌ها و متناسب کردن آن‌ها با محیط Keep training scripts modular and environment-specific

• ردیابی نسخه‌های کد و داده‌ها Track versions of code and data

• پاک‌سازی منظم منابع و اجراهای قدیمی Clean up old resources and runs regularly

DP 100-آزمون ماژول 3: آزمایش، معیارها و محاسبات Azure ML DP-100 Modlule 3 Quiz- Azure ML Experimentation, Metrics, and Compute

• آزمون ماژول 3: آزمایش، معیارها و محاسبات Azure ML DP-100 Modlule 3 Quiz- Azure ML Experimentation, Metrics, and Compute

Module 4-بخش 1: معرفی مدیریت داده‌ها در Azure ML Module 4 -Section 1 - Introduction to Data Management in Azure ML

• اهمیت داده‌ها در جریان‌های کاری ML Importance of data in ML workflows

• رویکرد Azure ML به داده‌ها: متمرکز، قابل استفاده مجدد و نسخه‌بندی شده AzureML approach to data central, reusable, versioned

• مرور کلی Datastoreها و Datasetها Overview of Datastores and Datasets

• آزمایشگاه: کار با دارایی‌های داده از طریق رابط کاربری Lab Working with Data Assets through UI

Module 4-بخش 2: درک Datastoreها در Azure ML Module 4 -Section 2 - Understanding Datastores in Azure ML

• Datastore چیست؟ لایه امنیتی روی ذخیره‌سازها (Blob, ADLS, local و غیره) What is a Datastore- secure abstraction over storage (Blob, ADLS, local, etc)

• Datastore پیش‌فرض در مقابل سفارشی Default datastore vs. custom datastore

• چرا Datastoreها مهم هستند؟ مسیرهای ثابت در محیط‌های محاسباتی مختلف Why datastores matter-consistent paths across compute environments

• روش‌های احراز هویت: SAS، کلید حساب، Managed Identity Authentication methods_ SAS, Account Key, Managed Identity

Module 4-بخش 3: ثبت و استفاده از Datastoreها Module 4 - Section 3. Registering and Using Datastores

• کار با Datastoreها Working with Datastores

• کار عملی با Datastoreها Working with Datastores - Live

Module 4-بخش 4: ایجاد و ثبت مجموعه‌داده‌ها در Azure ML Module 4 - Section 4 - Creating and Registering Datasets in Azure ML

• کار با مجموعه‌داده‌ها (Dataset) - تئوری Working with Datasets - Theory

• آزمایشگاه B: کار با Datasetها و دارایی‌های داده (بخش 1) Lab B Working with Datasets and Data Assets 1

• آزمایشگاه B: کار با Datasetها و دارایی‌های داده (بخش 2) Lab B Working with Datasets and Data Assets 2

Module 4-بخش 5: متصل کردن (Mounting) در مقابل دانلود داده‌ها Module 4 - Section 5 - Mounting vs. Downloading Data

• نحوه مصرف مجموعه‌داده‌ها توسط منابع محاسباتی How datasets are consumed by compute

• چه زمانی از هر حالت بر اساس حجم داده و نوع کار استفاده کنیم When to use each mode based on workload and dataset size

• آزمایشگاه: متصل کردن در مقابل دانلود داده‌ها Lab Mounting vs Downloading Data

Module 4-بخش 6: بهترین روش‌ها برای مدیریت داده‌ها در Azure ML Module 4 -Section 6 - Best Practices for Managing Data in Azure ML

• استفاده از نام‌گذاری و نسخه‌بندی یکپارچه Use consistent naming and versioning

• ذخیره‌سازی داده‌های خام، پردازش شده و آماده آموزش به‌صورت مجزا Storeraw, processed, and training-ready data separately

• جدا نگه داشتن کد آموزش از داده‌ها (از طریق ورودی‌ها) Keep training code and data loosely coupled (via inputs)

• پاک‌سازی مجموعه‌داده‌های بلااستفاده و Blobهای حجیم Cleanup unused datasets and large blobs

Module 4-آزمون مدیریت داده‌ها و Datastoreها در Azure ML Module 4- Managing Data and Datastores in Azure ML - Quiz

• آزمون ماژول 4: مدیریت داده‌ها و Datastoreها در Azure ML Module 4- Managing Data and Datastores in Azure ML - Quiz

Module 5-بخش 1: معرفی محاسبات (Compute) در Azure ML Module 5: Section 1. Introduction to Compute in Azure ML

• هدف محاسباتی (Compute Target) در Azure ML چیست What is a Compute Target in Azure ML

• انواع کلیدی: Compute Instance و Compute Cluster Key Types-Compute Instance and Compute Cluster

• مثال‌های کاربردی و ملاحظات هزینه Use case examples and cost considerations

• محاسبات استنتاج (AKS/ACI) Inference compute (AKS_ACI)

Module 5-بخش 2: نمونه‌های محاسباتی در مقابل خوشه‌های محاسباتی Module 5: Section 2. Compute Instances vs. Compute Clusters

• مقایسه ویژگی‌ها: Instanceها در مقابل Clusterها Feature comparison- Instances and Clusters

• دموی کار با منابع محاسباتی DEMO - Working with Compute

Module 5-بخش 3: محاسبات متصل (مفاهیم پیشرفته) Module 5: Section 3. Attached Compute (Advanced Concepts)

• چه زمانی از خط لوله‌های ترکیبی، نزدیکی داده‌ها و زیرساخت‌های موجود استفاده کنیم 2 When to use - hybrid pipelines, data proximity, existing infrastructure

Module 5-بخش 4: محیط‌ها در Azure ML: چیست و چرا لازم است Module 5: Section 4. Environments in Azure ML: What and Why

• تعریف محیط (Environment) در Azure ML Defining an Environment in Azure ML

• محیط‌های آماده (Curated) در مقابل محیط‌های سفارشی Curated environments VS Custom environments

• اهمیت تکرارپذیری در آموزش مدل Importance of reproducibility in training

Module 5-بخش 5: ایجاد محیط‌های سفارشی Module 5: Section 5 -Creating Custom Environments

• ایجاد محیط سفارشی - تئوری Creating Custom Environment - Theory

• آزمایشگاه 05A: کار با محیط‌ها و PIP LAB05A-Working with Environments -PIP

Module 5-بخش 6: ارسال کارهای پردازشی به خوشه‌های محاسباتی Module 5- Section 6- Submitting Jobs to Compute Clusters

• آزمایشگاه 05B: کار با اهداف محاسباتی LAB05B-Working with Compute Targets

• عیب‌یابی در صورت شکست اجرا در مرحله نصب What to do if - Run fails at install step (Troubleshooting)

Module 5-آزمون محاسبات و محیط‌های Azure ML Module 5-Azure ML Compute & Environments- Quiz

• آزمون ماژول 5: محاسبات و محیط‌های Azure ML Module 5-Azure ML Compute & Environments- Quiz

Module 6-بخش 1: خط لوله ML در Azure ML چیست؟ Module 6- Section 1- What Is an ML Pipeline in Azure ML?

• تعریف: خط لوله (Pipeline) چیست Definition-What is a Pipeline

• چرا خط لوله‌ها اهمیت دارند؟ Why Pipelines Matters ?

• تفاوت بین آزمایش‌های یک‌باره و خط لوله‌های ساختاریافته Difference between one-off experiments and structured pipelines

• مثال‌ها: پاک‌سازی داده -> آموزش -> ارزیابی -> ثبت Examples_ data cleaning → training → evaluation → registration

Module 6-بخش 2: اجزای یک مرحله از خط لوله Module 6 - Section 2. Components of a Pipeline Step

• هر مرحله در یک خط لوله به چه چیزهایی نیاز دارد؟ What each steps needs in a Pipeline ?

• جریان داده‌ها بین مراحل از طریق Pipeline Data یا پوشه‌های خروجی Dataflows between steps via Pipeline Data or output folders

• مدیریت وابستگی‌های بین مرحله‌ای Managing inter-step dependencies

Module 6-بخش 3: ایجاد یک خط لوله ساده دو مرحله‌ای Module 6 - Section 3. Creating a Simple Two-Step Pipeline

• آزمایشگاه 06A: ایجاد خط لوله دو مرحله‌ای (بخش 1) LAB06A-Creating a two-step pipeline - PART 1

• آزمایشگاه 06A: ایجاد خط لوله دو مرحله‌ای (بخش 2) LAB06A-Creating a two-step pipeline - PART 2

• آزمایشگاه 06A: ایجاد خط لوله دو مرحله‌ای (بخش 3) LAB06A-Creating a two-step pipeline - PART 3

• آزمایشگاه 06A: ایجاد خط لوله دو مرحله‌ای (بخش 4) LAB06A-Creating a two-step pipeline - PART 4

• آزمایشگاه 06A: ایجاد خط لوله دو مرحله‌ای (بخش 5) LAB06A-Creating a two-step pipeline - PART 5

Module 6-بخش 4: انتقال داده‌ها بین مراحل خط لوله Module 6 - Section 4 - Passing Data Between Pipeline Steps

• استفاده از Pipeline Data v1 یا ورودی/خروجی‌های نام‌گذاری شده v2 Using Pipeline Data v1 or named Input Outputs v2

• اطمینان از در دسترس بودن خروجی‌های یک مرحله برای مرحله بعد Ensuring data outputs from one step are available to the next

• مدیریت واقعی داده‌ها بین اجرای هر مرحله از خط لوله Actual Data Handling between each Pipeline Step’s Execution

Module 6-بخش 5: انتشار خط لوله‌ها برای استفاده مجدد Module 6 - Section 5. Publishing Pipelines for Reuse

• تئوری انتشار خط لوله‌ها برای استفاده مجدد Publishing Pipelines for Reuse-Theory

• آزمایشگاه 06B: انتشار خط لوله‌ها برای استفاده مجدد (بخش 1) LAB06B-Publishing Pipelines for Reuse - Part 1

• آزمایشگاه 06B: انتشار خط لوله‌ها برای استفاده مجدد (بخش 2) LAB06B-Publishing Pipelines for Reuse - Part 2

Module 6-بخش 6: گزینه‌های زمان‌بندی و اتوماسیون خط لوله Module 6 - Section 6. Pipeline Scheduling and Automation Options

• زمان‌بندی: اجرای روزانه، هفتگی و غیره خط لوله‌ها Scheduling_ run pipelines daily, weekly, etc

• گزینه‌های یکپارچه‌سازی Integration Options

• موارد کاربردی: آموزش مجدد خودکار، جریان‌های کاری امتیازدهی دسته‌ای Use cases automated retraining, batch scoring workflows

Module 6-بخش 7: بهترین روش‌ها برای خط لوله‌ها Module 6 - Section 7. Best Practices for Pipelines

• استفاده مجدد از مراحل به عنوان اجزا (Components) Reuse steps as components

• نسخه‌بندی اسکریپت‌های خط لوله و مجموعه‌داده‌ها Version your pipeline scripts and datasets

• نظارت مستقل بر هر مرحله Monitor each step independently

• استفاده از نام‌گذاری و تگ‌گذاری یکپارچه برای ردیابی Use consistent naming and tagging for traceability

Module 6-آزمون خط لوله‌های ML در Azure ML Module 6- ML Pipelines in Azure ML - Quiz

• آزمون ماژول 6: خط لوله‌های ML در Azure ML Module 6- ML Pipelines in Azure ML - Quiz

Module 7-مروری بر اهداف استقرار در Azure ML Module 7 - Overview of Deployment Targets in Azure ML

• Azure Container Instances (ACI) Azure Container Instances

• Azure Kubernetes Services (AKS) Azure Kubernetes Services

• نقاط انتهایی آنلاین مدیریت شده: بدون سرور، مقیاس‌پذیر، نصب آسان Managed Online Endpoints Serverless, scalable, easier setup

• اجزای مورد نیاز برای استقرار Components needed for deployment

• نحوه بسته‌بندی این موارد در یک کانتینر قابل استقرار توسط Azure ML How Azure ML wraps these into a deployable container

Module 7-ایجاد یک نقطه انتهایی استنتاج آنی Module 7 - Creating a Real-time Inference Endpoint

• آزمایشگاه 07A: ایجاد نقطه انتهایی استنتاج آنی (بخش 1) LAB07A-Creating a realtime inference endpoint - Part 1

• آزمایشگاه 07A: ایجاد نقطه انتهایی استنتاج آنی (بخش 2) LAB07A-Creating a realtime inference endpoint - PART 2

• آزمایشگاه 07A: ایجاد نقطه انتهایی استنتاج آنی (بخش 3) LAB07A-Creating a real time inference endpoint - PART 3

Module 7-استفاده از نقاط انتهایی آنی از طریق REST API Module 7 - Consuming Real-time Endpoints via REST API

• گزینه‌های احراز هویت: کلید Endpoint یا توکن AzureML Authentication options- ○Endpoint key ○AzureML token

• نحوه فرمت کردن بدنه درخواست JSON How to format JSON request payload

• مدیریت فرمت‌های پاسخ و خطا Handle response and error formats

Module 7-ایجاد یک خط لوله استنتاج دسته‌ای Module 7 - Creating a Batch Inference Pipeline

• آزمایشگاه 07B: ایجاد سرویس استنتاج دسته‌ای (بخش 1) LAB07B-Creating a batch inference service - PART 1

• آزمایشگاه 07B: ایجاد سرویس استنتاج دسته‌ای (بخش 2) LAB07B-Creating a batch inference service - PART 2

• آزمایشگاه 07B: ایجاد سرویس استنتاج دسته‌ای (بخش 3) LAB07B-Creating a batch inference service - PART 3

• آزمایشگاه 07B (گزینه 2): ایجاد سرویس استنتاج دسته‌ای از طریق ENDPOINT (بخش 1) LAB07B(option2)-Creating a batch inference service via ENDPOINT - PART 1

• آزمایشگاه 07B (گزینه 2): ایجاد سرویس استنتاج دسته‌ای از طریق ENDPOINT (بخش 2) LAB07B(option2)-Creating a batch inference service via ENDPOINT - PART 2

• آزمایشگاه 07B (گزینه 2): ایجاد سرویس استنتاج دسته‌ای از طریق ENDPOINT (بخش 3) LAB07B(option2)-Creating a batch inference service via ENDPOINT - PART 3

Module 7-نسخه‌بندی و به‌روزرسانی استقرارها Module 7- Versioning and Updating Deployments

• استقرار نسخه‌های جدید مدل تحت همان نقطه انتهایی Deploy new model versions under the same endpoint

• تقسیم ترافیک بین استقرارها Traffic splitting between deployments

• پاک‌سازی استقرار‌های قدیمی Clean-up old deployments

• نظارت بر تأخیر (Latency)، نرخ انتقال (Throughput) و نرخ شکست Monitoring latency, throughput, failure rate

• مرور کلی ماژول 7 Module 7-Recap

Module 7-آزمون استقرار واقعی در Azure ML Module 7- Real-World Deployment in Azure ML- Quiz

• آزمون ماژول 7: استقرار واقعی در Azure ML Module 7- Real-World Deployment in Azure ML- Quiz

Module 8-هایپرپارامترها در مقابل پارامترهای مدل Module 8 - Hyperparameters vs. Model Parameters

• تعاریف: پارامترهای مدل و هایپرپارامترها Definitions_ ○ Model parameters ○ Hyperparameters

• چرا تنظیم هایپرپارامترها برای عملکرد مدل مهم است Why tuning hyperparameters matters for model performance

• مثال‌هایی از هایپرپارامترهای رایج برای تنظیم Examples of commonly tuned hyperparameters

Module 8-تنظیم هایپرپارامترها در Azure ML (HyperDrive / SweepJob) Module 8 - Azure ML Hyperparameter Tuning (HyperDrive / SweepJob)

• نحوه فعال‌سازی تنظیم خودکار در Azure ML How Azure ML enables automatic tuning

• استراتژی‌های جستجو: Grid، Random، Bayesian Searchstrategies_ ○ Grid, Random, Bayesian

• سیاست‌های توقف زودهنگام: Bandit، Median Stopping Early termination policies Bandit, Median Stopping

• مروری بر پیکربندی تنظیمات Overview of tuning configuration

Module 8-انجام تنظیم هایپرپارامترها در Azure ML Module 8 - Performing Hyperparameter Tuning in Azure ML

• آزمایشگاه 08A: انجام تنظیم هایپرپارامترها (بخش 1) LAB08A-Performing Hyperparameter tuning - PART 1

• آزمایشگاه 08A: انجام تنظیم هایپرپارامترها (بخش 2) LAB08A-Performing Hyperparameter tuning - PART 2

• آزمایشگاه 08A: انجام تنظیم هایپرپارامترها (بخش 3) LAB08A-Performing Hyperparameter tuning - PART 3

Module 8-معرفی یادگیری ماشین خودکار (AutoML) Module 8 - Introduction to Automated Machine Learning (AutoML) Type

• AutoML چه کاری انجام می‌دهد؟ What AutoML Does ?

• وظایف پشتیبانی شده: طبقه‌بندی، رگرسیون، پیش‌بینی Supported tasks_ classification, regression, forecasting

• ویژگی‌های کلیدی: توضیح‌پذیری داخلی، رعایت بهترین روش‌ها مانند CV و توازن کلاس‌ها Keyfeatures_ Built-in explainability,Bestpractices built-in_ CV, class Balancing

Module 8-اجرای یک آزمایش AutoML در Azure ML Module 8 - Running an AutoML Experiment in Azure ML

• آزمایشگاه 08B: اجرای آزمایش AutoML از طریق SDKv2 (بخش 1) LAB08B-Running an AutoML Expeirment via SDKv2 - PART 1

• آزمایشگاه 08B: اجرای آزمایش AutoML از طریق SDKv2 LAB08B-Running an AutoML Expeirment via SDKv2

Module 8-درک خروجی‌های AutoML و توضیح‌پذیری Module 8 - Understanding AutoML Output & Explainability

• پس از اجرای AutoML چه مواردی تولید می‌شود؟ What's generated after an AutoML Run

• چه زمانی از HyperDrive و چه زمانی از AutoML استفاده کنیم When to use HyperDrive vs AutoML

• بررسی خروجی‌ها در Studio: جدول رتبه‌بندی و اهمیت ویژگی‌ها Explore Outputs in Studio - Leaderboard & Feature Importance

• آزمایشگاه 08C: درک خروجی‌های AutoML LAB08C - Understanding AutoML Output

Module 8-ویژگی‌های هوش مصنوعی مسئولانه در AutoML Module 8 - Responsible AI Features in AutoML

• AutoML شامل اهمیت ویژگی‌ها، نمودارها، اعتبارسنجی داده‌ها، بررسی نشت داده و توازن است AutoML includes Feature importance,charts,Datavalidation ,Leakagechecks, Balance

• چگونه این بینش‌ها را در دسترس قرار دهیم How do we make these insights available

Module 8-آزمون تنظیم هایپرپارامترها و AutoML Module 8- Hyperparameter Tuning & AutoML- Quiz

• آزمون ماژول 8: تنظیم هایپرپارامترها و AutoML Module 8- Hyperparameter Tuning & AutoML- Quiz

Module 9-چرا تفسیرپذیری مدل اهمیت دارد؟ Module 9 - Why Model Interpretability Matters ?

• نیاز به شفافیت در یادگیری ماشین Need for Transparency in ML

• تفسیرپذیری جهانی در مقابل محلی Global vs Local Intepretability

Module 9-تکنیک‌های توضیح مدل در Azure ML Module 9 - Model Explanation Techniques in Azure ML

• نحوه استفاده Azure ML از SHAP در پس‌زمینه How Azure ML uses SHAP under the hood

• متدهای پشتیبانی شده توسط SHAP SHAP Supported Methods

• انواع توضیحات Explanation Types

• کار بر روی AutoML و مدل‌های سفارشی Works on AutoML and custom models

Module 9-بررسی توضیحات AutoML Module 9 -Reviewing AutoML Explanations

• آزمایشگاه 09A: بررسی توضیحات AutoML (بخش 1) LAB09A - Reviewing AutoML Explanations - PART 1

• آزمایشگاه 09A: بررسی توضیحات AutoML (بخش 2) LAB09A - Reviewing AutoML Explanations - PART 2

• آزمایشگاه 09B: تفسیر مدل‌ها و کد Tabular Explainer LAB09B - Interpreting Models and Tabular Explainer code

Module 9-استفاده از Explanation Client و SDK Module 9 - Using the Explanation Client and SDK

• نحوه استفاده از Explanation Client How to use Explanation Client

Module 9-هوش مصنوعی مسئولانه و عدالت: پوشش Azure ML Module 9 - Responsible AI & Fairness: What Azure ML Covers

• حفاظ‌های داخلی (Guardrails) در Azure ML Azure ML includes some Bulit-in guardrails in Azure ML

• توضیحات به شناسایی سوگیری، پروکسی‌های ناخواسته و اثرات داده‌های پرت کمک می‌کنند Explanation helps in identifying - Bias, Unintended proxies , Outlier-driven

• آزمایشگاه 09C: تفسیر مدل‌ها با هوش مصنوعی مسئولانه LAB09C - Interpreting Models with Responsible AI

Module 9-آزمون تفسیرپذیری مدل و مسئولیت‌پذیری Module 9- Model Interpretability & Responsible- Quiz

• آزمون ماژول 9: تفسیرپذیری مدل و مسئولیت‌پذیری Module 9- Model Interpretability & Responsible- Quiz

Module 10-چرا باید مدل‌های ML را در محیط عملیاتی نظارت کرد؟ Module 10 - Why Monitor ML Models in Production?

• نظارت بر مدل‌ها: نقاط شکست رایج Monitoring Models - Common Failure Points

• دسته‌بندی‌های نظارتی Categories of Monitoring

Module 10-مروری بر ابزارهای نظارتی در Azure ML Module 10 - Overview of Monitoring Tools in Azure ML

• ابزارهای نظارتی داخلی در Azure Built-in monitoring tools in azure

• کاربرد هر ابزار و موارد ردیابی شده When each is used and what they track

Module 10-نظارت بر سرویس‌های مدل با Application Insights Module 10 - Monitoring Model Services with Application Insights

• آزمایشگاه 10A: App Insights در ابر Azure (بخش 1) LAB10A-App Insights in Azure Cloud - PART 1

• آزمایشگاه 10A: App Insights در ابر Azure (بخش 2) LAB10A-App Insights in Azure Cloud - PART 2

• آزمایشگاه 10A: App Insights در ابر Azure (بخش 3) LAB10A-App Insights in Azure Cloud - PART 3

• آزمایشگاه 10B: App Insights در Azure ML Studio LAB10B - App Insights in Azure ML Studio

Module 10-ثبت معیارهای سفارشی در score.py Module 10 - Logging Custom Metrics in score.py

• توضیح نحوه ثبت پیش‌بینی‌ها، زمان پردازش و امتیاز اطمینان Explain how you can log - Predictions Processing Times & Confidence Score

• از طریق App Insights SDK یا لاگ‌گذاری سفارشی Via App Insights SDK or custom logging

Module 10-نظارت بر رانش داده‌ها (Data Drift) در Azure ML Module 10 - Monitoring Data Drift in Azure ML

• اقدامات در هنگام رانش داده‌ها (Drift) Actions on drift

• اقدامات در هنگام شکست سرویس Actions on service failures

• آزمایشگاه 10C: نظارت بر Data Drift در Azure ML Studio LAB10C - Monitoring DataDrift in Azure ML Studio

Module 10-آزمون نظارت بر مدل‌های ML مستقر شده Module 10- Monitoring Deployed ML Models- Quiz

• آزمون ماژول 10: نظارت بر مدل‌های ML مستقر شده Module 10- Monitoring Deployed ML Models- Quiz