سرفصل ها و درس ها

ماژول 0 - یادگیری ماشینی چیست؟ - قسمت اول Module 0 - What is Machine Learning? - Part One

• مقدمه ای بر هوش مصنوعی Introduction to AI

• تاریخچه هوش مصنوعی The history of AI

• اخلاق هوش مصنوعی The ethics of AI

• نمونه هایی از هوش مصنوعی موجود (یادگیری ماشینی) Examples of existing AI (machine learning)

• مقدمه ای بر داده ها Introduction to Data

• داده در مقابل کلان داده Data vs Big Data

• متغیرها و داده ها Variables & Data

• هوش مصنوعی ضعیف در مقابل استنتاج آماری محاسباتی Weak AI vs computational statistical inference

• نمونه های خاص از یادگیری ماشینی Specific examples of machine learning

• مقدمه ای بر نت نویسی Introduction to notation

• مشکلات یادگیری تحت نظارت - بخش 1 Supervised learning problems - Part 1

• مشکلات یادگیری تحت نظارت - قسمت 2 Supervised learning problems - Part 2

• مشکلات یادگیری تحت نظارت - قسمت 3 Supervised learning problems - Part 3

ماژول 0 - یادگیری ماشینی چیست؟ - قسمت دوم Module 0 - What is Machine Learning? - Part Two

• یادگیری بدون نظارت Unsupervised Learning

• مبانی نظری یادگیری ماشین The Theoretical Basis of Machine Learning

• پیدا کردن مدل با رگرسیون خطی - قسمت 1 Finding the Model with Linear Regression - Part 1

• یافتن مدل با رگرسیون خطی - قسمت 2 Finding the Model with Linear Regression - Part 2

• مسائل مربوط به یادگیری ماشین - شکاف معنایی Issues with Machine Learning – The Semantic Gap

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 1 Issues with Machine Learning – Approximating the Truth - Part 1

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 2 Issues with Machine Learning – Approximating the Truth - Part 2

ماژول 1 – پایتون برای یادگیری ماشین Module 1 – Python for Machine Learning

• پایتون برای یادگیری ماشین Python for machine learning

• استفاده از حلقه ها برای محاسبه ضرر کل Using loops to compute total loss

• رگرسیون و طبقه بندی Regression and classification

• راه اندازی یادگیری ماشین در پایتون Machine learning setup in Python

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت اول Module 2 - Maths for Machine Learning - Part One

• مقدمه ای بر ریاضیات یادگیری ماشینی Introduction to the mathematics of machine learning

• توابع رایج و جبر مفید برای یادگیری ماشین Common functions and useful algebra for machine learning

• مدل درجه دوم The quadratic model

• لگاریتم و توان Logarithms and exponents

• رگرسیون خطی Linear regression

• تجسم رگرسیون خطی Visualising linear regression

• حساب دیفرانسیل و انتگرال Calculus

• نشانه گذاری Notation

• ارائه یک تحلیل کلی با استفاده از نماد ریاضی عمومی - قسمت 1 Providing a general analysis using general mathematical notation - Part 1

• ارائه یک تحلیل کلی با استفاده از نمادهای ریاضی عمومی - قسمت 2 Providing a general analysis using general mathematical notation - Part 2

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت دوم Module 2 - Maths for Machine Learning - Part Two

• رگرسیون خطی در ابعاد چندگانه Linear Regression in Multiple Dimensions

• تفسیر ساختارهای داده از دیدگاه هندسی جبر خطی Interpreting Data Structures from the Geometrical Perspective of Linear Algebra

• بردار تفریق Vector Subtraction

• استفاده از بردارهای تجسمی برای حل مسائل در یادگیری ماشین Using Visualized Vectors to Solve Problems in Machine Learning

• ماتریس ها Matrices

• رگرسیون خطی چند بعدی - قسمت 1 Multidimensional Linear Regression - Part 1

• رگرسیون خطی چند بعدی - قسمت 2 Multidimensional Linear Regression - Part 2

• رگرسیون خطی چند بعدی - قسمت 3 Multidimensional Linear Regression - Part 3

ماژول 3 - آموزش تحت نظارت - قسمت اول Module 3 - Supervised Learning - Part One

• مروری بر یادگیری تحت نظارت An Overview of Supervised Learning

• الگوریتم نزدیکترین همسایگان Nearest Neighbours Algorithm

• الگوریتم نزدیکترین همسایگان برای طبقه بندی Nearest Neighbours Algorithm for Classification

• الگوریتم K نزدیکترین همسایه چگونه کار می کند How the K Nearest Neighbours Algorithm Works

ماژول 3 - آموزش تحت نظارت - قسمت دوم Module 3 - Supervised Learning - Part Two

• Hyper Parameters - قسمت 1 Hyper Parameters - Part 1

• Hyper Parameters - قسمت 2 Hyper Parameters - Part 2

• Hyper Parameters - قسمت 3 Hyper Parameters - Part 3

• توابع فاصله و اندازه گیری های شباهت Distance Functions and Similarity Measures

• رگرسیون لجستیک Logistic Regression

• روش و گردش کار یادگیری ماشینی و ارزیابی The Method and Workflow of Machine Learning, and Evaluation

• تقسیم قطار-تست The Train-Test Split

• اعتبار سنجی متقابل - قسمت 1 Cross-Validation - Part 1

• اعتبار متقابل - قسمت 2 Cross-Validation - Part 2

• اعتبار سنجی متقابل - قسمت 3 Cross-Validation - Part 3

ماژول 4 - انتخاب مدل Module 4 - Model Selection

• انتخاب مدل Model Selection

• رویکردهای توضیحی در مقابل تداعی - قسمت 1 Explanatory vs Associative Approaches - Part 1

• رویکردهای توضیحی در مقابل تداعی - قسمت 2 Explanatory vs Associative Approaches - Part 2

• (خارج از نمونه) عملکرد (Out-sample) Performance

ماژول 5 - رگرسیون Module 5 - Regression

• تفسیر مدل ها Interpreting Models

• تفسیر مدل های طبقه بندی خطی - قسمت 1 Interpreting linear classification models - Part 1

• تفسیر مدل های طبقه بندی خطی - قسمت 2 Interpreting linear classification models - Part 2

ماژول 6 - یادگیری بدون نظارت Module 6 - Unsupervised learning

• یادگیری بدون نظارت Unsupervised learning

• خوشه بندی Clustering

• K-به معنای خوشه بندی است K-means clustering

• محدودیت ها Limitations

• کاهش ابعاد Dimensionality reduction

ماژول 7 - احتمال و آمار Module 7 - Probability and statistics

• احتمال و آمار Probability and statistics

• احتمال بیزی Bayesian probability

• احتمال مکرر Frequentist probability

• آمار Statistics

• توزیع احتمال Probability distribution

• توزیع نرمال The normal distribution

کار با یادگیری ماشینی توزیع شده Working with Distributed Machine Learning

• مقدمه درس Lesson Introduction

• یادگیری ماشینی توزیع شده Distributed Machine Learning

• آپاچی اسپارک Apache Spark

• Spark MLlib Spark MLlib

• درختان تصمیم Decision Trees

• Amazon Elastic MapReduce Amazon Elastic MapReduce

• چسب AWS AWS Glue

• مجموعه داده های درآمد سرشماری را دانلود و ذخیره کنید Download and Save Census Income Dataset

• مجموعه داده های درآمد سرشماری را آماده کنید Prepare Census Income Dataset

• EMR Cluster را با Spark و Zeppelin راه اندازی کنید Launch EMR Cluster with Spark and Zeppelin

• ساخت مدل DecisionTree با استفاده از Zeppelin Build DecisionTree Model using Zeppelin

• بررسی کنید Review

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• مقدمه یادگیری عمیق Deep Learning Introduction

• موفقیت های یادگیری عمیق Deep Learning Successes

• شبکه های عصبی Neural Networks

• شبکه های عمیق تر ادامه دارد Deeper Networks Continued

• خروجی های متعدد Multiple Outputs

• طبقه بندی چند طبقه Multiclass Classification

• توابع فعال سازی Activation Functions

• فید فوروارد Feed Forward

• تمرین 1 Exercise 1

• راه حل تمرین 1 Exercise 1 Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

شروع با یادگیری عمیق: مقدمه ای بر یادگیری ماشین Getting Started with Deep Learning: Introduction To Machine Learning

• مقدمه Introduction

• مشکلات یادگیری ماشینی Machine Learning Problems

• یادگیری تحت نظارت Supervised Learning

• رگرسیون خطی Linear Regression

• تابع هزینه: Screenflow Cost Function: Screenflow

• تابع هزینه Cost Function

• بهترین مدل Best Model

• رگرسیون خطی: نسخه ی نمایشی Linear Regression: Demo

• ارزیابی عملکرد: Screenflow Evaluation Performance: Screenflow

• ارزیابی عملکرد مدل Evaluating Model Performance

• طبقه بندی Classification

• طبقه بندی: کراس Classification: Keras

• بیش از حد برازش Overfitting

• اعتبار سنجی متقاطع Cross Validation

• اعتبار سنجی متقابل: مدل‌های Keras در Scikit Learn Cross Validation: Keras Models in Scikit Learn

• ماتریس سردرگمی Confusion Matrix

• ماتریس سردرگمی: پایتون Confusion Matrix: Python

• پیش پردازش ویژگی Feature Preprocessing

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

شروع با یادگیری عمیق: کار با داده ها Getting Started With Deep Learning: Working With Data

• مروری بر داده ها Overview of Data

• داده های جدولی Tabular Data

• کاوش با پانداها Exploration with Pandas

• کاوش بصری Visual Exploration

• کاوش داده های بصری با Matplotlib Visual Data Exploration with Matplotlib

• داده های بدون ساختار Unstructured Data

• تصاویر و صداها در ژوپیتر Images and Sounds in Jupyter

• مهندسی ویژگی Feature Engineering

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

• تمرین 5 Exercise 5

• تمرین 5: راه حل Exercise 5: Solution

شروع با یادگیری عمیق: کار با داده: نزول گرادیان Getting Started With Deep Learning: Working With Data: Gradient Descent

• مقدمه Introduction

• مشتقات و گرادیان Derivatives and Gradient

• شهود پس انتشار Backpropagation Intuition

• قانون زنجیره ای Chain Rule

• محاسبه مشتق Derivative Calculation

• پس انتشار کاملاً متصل Fully Connected Backpropagation

• نمادگذاری ماتریسی Matrix Notation

• آرایه‌های Numpy Numpy Arrays

• میزان یادگیری Learning Rate

• نرخ یادگیری ادامه دارد Learning Rate Continued

• گرادیان نزول Gradient Descent

• نزول گرادیان ادامه دارد Gradient Descent Continued

• EWMA EWMA

• بهینه سازها Optimizers

• بهینه سازها ادامه دارد Optimizers Continued

• مقداردهی اولیه Initialization

• تجسم لایه های داخلی Inner Layers Visualization

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

• تانسوربرد Tensorboard

شروع با یادگیری عمیق: شبکه های عصبی کانولوشن Getting Started With Deep Learning: Convolutional Neural Networks

• مقدمه Introduction

• ویژگی های Pixels Features from Pixels

• طبقه بندی MNIST MNIST Classification

• طبقه بندی MNIST MNIST Classification

• فراتر از پیکسل ها Beyond Pixels

• تصاویر به عنوان تانسور Images as Tensors

• تانسور ریاضی Tensor Math

• پیچیدگی در 1 D Convolution in 1 D

• پیچیدگی در 2 D Convolution in 2 D

• فیلترهای تصویر با کانولوشن Image filters with convolutions

• لایه های کانولوشنال Convolutional Layers

• لایه های کانولوشن ادامه دارد Convolutional Layers Continued

• لایه های ترکیبی Pooling Layers

• ادغام لایه ها ادامه دارد Pooling Layers Continued

• شبکه عصبی کانولوشنال Convolutional Neural Network

• شبکه عصبی کانولوشن ادامه دارد Convolutional Neural Network Continued

• وزن در CNN ها Weights in CNNs

• فراتر از تصاویر Beyond Images

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

شروع با یادگیری عمیق: شبکه های عصبی مکرر Getting Started With Deep Learning: Recurrent Neural Networks

• مقدمه Introduction

• سری زمانی Time Series

• مشکلات توالی Sequence Problems

• وانیل RNN Vanilla RNN

• LSTM و GRU LSTM and GRU

• پیش بینی سری های زمانی Time Series Forecasting

• پیش بینی سری های زمانی با LSTM Time Series Forecasting with LSTM

• پنجره های نورد Rolling Windows

• رول ویندوز ادامه دارد Rolling Windows Continued

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

شروع با یادگیری عمیق: بهبود عملکرد Getting Started With Deep Learning: Improving Performance

• مقدمه Introduction

• منحنی های یادگیری Learning Curves

• منحنی های یادگیری ادامه دارد Learning Curves Continued

• عادی سازی دسته ای Batch Normalization

• عادی سازی دسته ای ادامه دارد Batch Normalization Continued

• ترک تحصیل Dropout

• ترک تحصیل و منظم سازی Dropout and Regularization

• افزایش داده ها Data Augmentation

• یادگیری مستمر Continuous Learning

• آموزش مستمر Continuous Training

• جستجوی فراپارامتر Hyperparameter Search

• جاسازی ها Embeddings

• جاسازی ها ادامه دارد Embeddings Continued

• IMDB IMDB

• تمرین 1 Exercise 1

• تمرین 2 Exercise 2

• تمرین 3 Exercise 3

مدل های متداول یادگیری ماشین و نحوه آموزش آنها Common Machine Learning Models & How to Train Them

• مقدمه درس Lesson Introduction

• تبیین مفاهیم Explaining Concepts

• مدل ها Models

• درک مجموعه داده های آموزشی Understanding Training Data Sets

• چگونه انتخاب کنیم؟ How to Choose?

• مطالعه موردی: قیمت خانه Case Study: Home Prices

• مطالعه موردی: بیماری قلبی Case Study: Heart Disease

• مطالعه موردی: طبقه بندی حیوانات Case Study: Animal Classification

• مطالعه موردی: بازاریابی هدفمند Case Study: Targeted Marketing

آشنایی با فرمت های فایل داده Understanding Data File Formats

• مقدمه Introduction

• دنیای شگفت انگیز فرمت های فایل داده The Wonderful World of Data File Formats

• بسته بندی کنید Wrap Up

معرفی آمازون S3 Introduction to Amazon S3

• مقدمه Introduction

• مروری بر آمازون Overview of Amazon

• نسخه ی نمایشی آمازون S3 Amazon S3 Demo

• کلاس های ذخیره سازی S3 S3 Storage Classes

هنگام استفاده از آمازون S3 وضعیت امنیتی خود را افزایش دهید Increasing Your Security Posture when Using Amazon S3

• مقدمه Introduction

• درک مالکیت منابع Understanding Resource Ownership

• استفاده از سیاست ها برای کنترل دسترسی Using Policies to Control Access

• مقیاس دسترسی به سطل های مشترک با نقاط دسترسی S3 Scaling Access to Shared Buckets with S3 Access Points

• مدیریت دسترسی عمومی به سطل های شما Managing Public Access to Your Buckets

• S3 Alerting با Access Analyzer S3 Alerting with Access Analyzer

• اشتراک منبع متقابل (CORS) با S3 Cross Origin Resource Sharing (CORS) with S3

• خلاصه Summary

مقدمه ای بر سیستم فایل الاستیک آمازون (EFS) Introduction to Amazon Elastic File System (EFS)

• مقدمه Introduction

• سیستم فایل الاستیک آمازون Amazon Elastic File System

• نتیجه گیری Conclusion

اجرای سیستم های فایل با کارایی بالا با آمازون FSx Running Highly Performant File Systems with Amazon FSx

• مقدمه Introduction

• آمازون FSx Amazon FSx

• خلاصه Summary

اصول استریم با آمازون کینزیس Fundamentals of Streaming with Amazon Kinesis

• مقدمه Introduction

• مبانی پردازش جریان Fundamentals of Stream Processing

• یک چارچوب جریان A Streaming Framework

• خلاصه Summary

پخش بدون سرور ETL با استفاده از سرویس مدیریت آمازون برای Apache Flink Serverless Streaming ETL using Amazon Managed Service for Apache Flink

• مقدمه Introduction

• جریان بدون سرور ETL با استفاده از سرویس مدیریت شده آمازون برای Apache Flink Serverless Streaming ETL Using Amazon Managed Service for Apache Flink

• استفاده از سرویس مدیریت آمازون برای Apache Flink Using Amazon Managed Service for Apache Flink

• ایجاد یک Apache Flink Application - Demo Creating an Apache Flink Application - Demo

• ایجاد یک نوت بوک Flink Studio - نسخه ی نمایشی Creating a Flink Studio Notebook - Demo

• خلاصه Summary

مبانی آمازون MSK (استریم مدیریت شده آمازون برای آپاچی کافکا) Fundamentals of Amazon MSK (Amazon Managed Streaming for Apache Kafka)

• مقدمه درس Lesson Introduction

• Amazon MSK چیست؟ What is Amazon MSK?

• Amazon MSK و Kafka Under the Hood Amazon MSK and Kafka Under the Hood

• تهیه یک آمازون MSK Cluster Provisioning an Amazon MSK Cluster

• نمونه معماری Architectural Example

• خلاصه دوره Course Summary

تجزیه و تحلیل داده ها با آمازون آتنا Analyzing Data With Amazon Athena

• مقدمه Introduction

• استفاده از Amazon Athena SQL برای جستجوی داده ها در S3 Using Amazon Athena SQL to Query Data in S3

• استفاده از آمازون آتنا برای اسپارک آپاچی Using Amazon Athena for Apache Spark

• خلاصه Summary

مقدمه ای بر کاهش نقشه الاستیک آمازون (EMR) Introduction to Amazon Elastic Map Reduce (EMR)

• مقدمه درس Lesson Introduction

• مقدمه ای بر EMR Introduction to EMR

• ویژگی های EMR EMR Characteristics

• معماری EMR EMR Architecture

با Amazon SageMaker Data Wrangler، Data Pipeline، Feature Store و Ground Truth شروع کنید Get Started with Amazon SageMaker Data Wrangler, Data Pipeline, Feature Store and Ground Truth

• مقدمه ای بر SageMaker Data Wrangler Introduction to SageMaker Data Wrangler

• SageMaker Studio - شروع به کار با Data Wrangler SageMaker Studio - Getting Started with Data Wrangler

• راه اندازی SageMaker برای اجرای Data Wrangler Setting Up SageMaker to Run Data Wrangler

• با استفاده از Data Wrangler Using Data Wrangler

• مقدمه ای بر SageMaker Ground Truth Introduction to SageMaker Ground Truth

• بررسی خدمات و هزینه Service and Cost Review

سفارشی سازی و تنظیم مدل های پایه با استفاده از Amazon SageMaker Jumpstart Customizing and Tuning Foundation Models Using Amazon SageMaker Jumpstart

• مقدمه Introduction

• شروع به کار با مدل های پایه در Amazon SageMaker JumpStart Getting Started with Foundation Models in Amazon SageMaker JumpStart

• سفارشی کردن یک مدل در Amazon SageMaker JumpStart Customizing a Model in Amazon SageMaker JumpStart

• تنظیم دقیق یک مدل در Amazon SageMaker JumpStart Fine-Tuning a Model in Amazon SageMaker JumpStart

• ارزیابی یک مدل در Amazon SageMaker JumpStart Evaluating a Model in Amazon SageMaker JumpStart

• خلاصه Summary

آشنایی با محیط های یادگیری ماشین آمازون SageMaker Understanding Amazon SageMaker Machine Learning Environments

• مقدمه Introduction

• آشنایی با Amazon SageMaker Studio و Studio Classic Understanding Amazon SageMaker Studio and Studio Classic

• با استفاده از SageMaker Studio Lab Using SageMaker Studio Lab

• گزینه های IDE در Amazon Sagemaker Studio IDE Options In Amazon Sagemaker Studio

• آشنایی با قابلیت‌های فضایی Amazon SageMaker، HyperPod و Canvas Understanding Amazon SageMaker GeoSpatial Capabilities, HyperPod and Canvas

• خلاصه Summary

آمازون SageMaker Canvas: یادگیری ماشین بدون کد برای تحلیلگران کسب و کار Amazon SageMaker Canvas: No-code Machine Learning for Business Analysts

• مقدمه Introduction

• آمازون SageMaker Canvas چیست؟ What is Amazon SageMaker Canvas?

• بوم SageMaker چگونه کار می کند How SageMaker Canvas Works

• SageMaker Canvas WalkThrough Demo SageMaker Canvas WalkThrough Demo

• ساخت یک مدل با SageMaker Canvas Demo Building a Model with SageMaker Canvas Demo

• خلاصه Summary

آمازون SageMaker: گردش کار یادگیری ماشین Amazon SageMaker: Machine Learning Workflows

• مقدمه Introduction

• Amazon SageMaker برای MLOps Amazon SageMaker for MLOps

• Amazon SageMaker Studio Amazon SageMaker Studio

• آشنایی با خطوط لوله ساختمان مدل SageMaker Understanding SageMaker Model Building Pipelines

• اپراتورهای SageMaker برای Kubernetes SageMaker Operators For Kubernetes

• پروژه های آمازون SageMaker Amazon SageMaker Projects

• خلاصه Summary

استفاده از Amazon SageMaker ML Lineage Tracking در گردش کار ML شما Using Amazon SageMaker ML Lineage Tracking within your ML Workflow

• مقدمه Introduction

• ML Ops چیست؟ What is ML Ops?

• Amazon SageMaker Lineage Tracking and Associated Component Amazon SageMaker Lineage Tracking and Associated Component

• خلاصه Summary

Amazon SageMaker - ML Governance Amazon SageMaker - ML Governance

• مقدمه Introduction

• اهمیت حکمرانی ML The Importance of ML Governance

• استفاده از Amazon SageMaker Role Manager برای پیش نویس مجوزهای سفارشی Using Amazon SageMaker Role Manager to Draft Custom Permissions

• مدل های سند با کارت های مدل آمازون SageMaker Document Models with Amazon SageMaker Model Cards

• مانیتور مدل ها با داشبورد مدل Amazon SageMaker Monitor Models with Amazon SageMaker Model Dashboard

• اشتراک گذاری دارایی ها با Amazon SageMaker Assets Share Assets with Amazon SageMaker Assets

• خلاصه Summary

ساخت و مقیاس‌بندی برنامه‌های هوش مصنوعی مولد با Amazon Bedrock Building and Scaling Generative AI Applications with Amazon Bedrock

• مقدمه Introduction

• بستر آمازون چیست؟ What Is Amazon Bedrock?

• دسترسی به مدل های سنگ بستر Accessing Bedrocks Models

• آزمایش استنتاج در حال اجرا بر روی مدل‌ها با استفاده از زمین‌های بازی بستر Experimenting With Running Inference on Models Using Bedrock Playgrounds

• با ارزیابی مدل بستر، مدل مناسب را برای برنامه‌های هوش مصنوعی نسل خود انتخاب کنید Select the Right Model for Your Gen AI Applications with Bedrock Model Evaluations

• راه اندازی Amazon Bedrock API Setting up Your Amazon Bedrock API

• خلاصه Summary

استفاده از Amazon Comprehend برای به دست آوردن بینش ارزشمند از متن Using Amazon Comprehend to Gain Valuable Insights from Text

• مقدمه Introduction

• آمازون درک چیست؟ What is Amazon Comprehend?

• مدل های پردازش Processing Models

• ویژگی ها و مزایای Amazon Comprehend Features & Benefits of Amazon Comprehend

• خلاصه Summary

پیاده سازی تبدیل متن به گفتار با آمازون پولی Implementing Text-to-Speech with Amazon Polly

• مقدمه Introduction

• تبدیل متن به گفتار چیست؟ What is Text-to-Speech?

• آمازون پولی چیست؟ What is Amazon Polly?

• شروع کار با آمازون پولی Getting Started with Amazon Polly

• صداها و زبان ها در آمازون پولی Voices and Languages in Amazon Polly

• کاوش در موتورهای صوتی در آمازون پولی Exploring Voice Engines in Amazon Polly

• استفاده از SSML با آمازون پولی Using SSML with Amazon Polly

• بهترین روش های امنیتی برای آمازون پولی Security Best Practices for Amazon Polly

• خلاصه Summary

گفتار به متن با آمازون رونویسی Speech to Text with Amazon Transcribe

• مقدمه Introduction

• مروری بر رونویسی آمازون Amazon Transcribe Overview

• موارد استفاده رونویسی آمازون Amazon Transcribe Use Cases

• با استفاده از آمازون رونویسی نسخه ی نمایشی Using Amazon Transcribe Demo

• خلاصه Summary

ترجمه روان با آمازون ترنسلیت Fluent Language Translations with Amazon Translate

• مقدمه Introduction

• مروری بر ترجمه آمازون Amazon Translate Overview

• استفاده از نسخه نمایشی ترجمه آمازون Using Amazon Translate Demo

• خلاصه Summary

کار با آمازون Rekognition برای تجزیه و تحلیل ویدئو و تصویر Working With Amazon Rekognition for Video and Image Analysis

• مقدمه Introduction

• معرفی آمازون Rekognition Introducing Amazon Rekognition

• استفاده از آمازون Rekognition در کنسول مدیریت AWS Using Amazon Rekognition in the AWS Management Console

• کار با آمازون Rekognition API Working with Amazon Rekognition APIs

• بهترین روش ها برای پیاده سازی آمازون Rekognition Best Practices for Implementing Amazon Rekognition

• ساخت یک راه حل تحلیل تصویر بدون سرور Building a Serverless Image Analysis Solution

• خلاصه Summary

انواع خط مشی مقیاس بندی خودکار AWS AWS Auto Scaling Policy Types

• مقدمه Introduction

• سیاست های مقیاس بندی خودکار Auto Scaling Policies

• مقیاس بندی دستی Manual Scaling

• مقیاس بندی پویا Dynamic Scaling

• مقیاس بندی پیش بینی کننده Predictive Scaling

• مقیاس بندی برنامه ریزی شده Scheduled Scaling

• خلاصه Summary

نحوه استفاده از CloudFormation برای اتوماسیون How To Use CloudFormation for Automation

• مقدمه Introduction

• AWS CloudFormation چیست؟ What is AWS CloudFormation?

• آناتومی یک الگوی CloudFormation The Anatomy of a CloudFormation Template

• ساخت دمو قالب CloudFormation Building a CloudFormation Template Demo

• استقرار نسخه ی نمایشی الگوی CloudFormation Deploying a CloudFormation Template Demo

• خلاصه Summary

مقدمه ای بر میکروسرویس ها، کانتینرها و ECS Introduction to Microservices, Containers, and ECS

• مقدمه ای بر میکروسرویس ها، کانتینرها و ECS Introduction to Microservices, Containers, and ECS

کانتینرهای در حال اجرا در ECS Fargate Running containers on ECS Fargate

• مقدمه Introduction

• الزامات زیرساخت Infrastructure Requirements

• امنیت کانتینر Container Security

• متغیرهای محیطی Environment Variables

• تعاریف وظایف برای ECS Task Definitions for ECS

• ظرفیت مدیریت Managing Capacity

• خلاصه Summary

مقدمه ای بر AWS EKS Introduction to AWS EKS

• مقدمه درس Lesson Introduction

• نصب EKS CLI Tools Installing EKS CLI Tools

• ایجاد یک خوشه EKS Kubernetes Creating an EKS Kubernetes Cluster

• استقرار یک برنامه Microservices در EKS Deploying a Microservices Application into EKS

• تست عملکرد، Teardown و CleanUp Performance Testing, Teardown, and CleanUp

• مرور درس Lesson Review

مقدمه ای بر AWS CodeBuild Introduction to AWS CodeBuild

• مقدمه Introduction

• مقدمه ای بر AWS CodeBuild Introduction to AWS CodeBuild

• فایل Buildspec The Buildspec File

• نسخه ی نمایشی Demo

• خلاصه Summary

مقدمه ای بر AWS CodeDeploy Introduction to AWS CodeDeploy

• مقدمه Introduction

• مقدمه ای برای CodeDeploy Intro to CodeDeploy

• فایل AppSpec برای EC2 AppSpec File for the EC2

• فایل AppSpec برای Lambda AppSpec File for the Lambda

• نسخه ی نمایشی CodeDeploy CodeDeploy Demo

• خلاصه Summary

AWS CodePipeline Essentials AWS CodePipeline Essentials

• مقدمه Introduction

• مفاهیم Concepts

• ایجاد خط لوله CICD Creating A CICD Pipeline

• مرحله ساخت The Build Step

• استقرار از خط لوله شما Deploying From Your Pipeline

• تاییدیه های خط لوله Pipeline Approvals

• خلاصه Summary

مدیریت دسترسی با استفاده از گروه‌ها و نقش‌های کاربری IAM Managing Access using IAM User Groups & Roles

• مقدمه Introduction

• مدیریت چند کاربر با گروه های کاربری IAM Managing Multiple Users with IAM User Groups

• نقش های IAM IAM Roles

• استفاده از نقش های سرویس AWS برای دسترسی به منابع AWS از طرف شما Using AWS Service Roles to Access AWS Resources on Your Behalf

• استفاده از نقش های کاربر IAM برای اعطای دسترسی موقت به کاربران Using IAM User Roles to Grant Temporary Access for Users

• استفاده از نقش‌ها برای دسترسی فدرال Using Roles for Federated Access

• خلاصه Summary

استفاده از سیاست های IAM برای تعریف و مدیریت مجوزها Using IAM Policies to Define and Manage Permissions

• مقدمه Introduction

• انواع خط مشی IAM AWS IAM AWS Policy Types

• بررسی ساختار سیاست JSON Examining the JSON Policy Structure

• ایجاد یک خط مشی AWS IAM Creating an AWS IAM Policy

• منطق ارزیابی خط مشی Policy Evaluation Logic

• خلاصه Summary

کار با AWS Networking و Amazon VPC Working with AWS Networking and Amazon VPC

• مقدمه Introduction

• VPC چیست؟ What is a VPC?

• زیر شبکه ها Subnets

• لیست های کنترل دسترسی به شبکه (NACL) Network Access Control Lists (NACLs)

• گروه های امنیتی Security Groups

• دروازه NAT NAT Gateway

• سنگر میزبان Bastion Hosts

• VPN و اتصال مستقیم VPN & Direct Connect

• VPC Peering VPC Peering

• دروازه ترانزیت Transit Gateway

• خلاصه Summary

مروری بر Amazon CloudWatch An Overview of Amazon CloudWatch

• مقدمه Introduction

• Amazon CloudWatch چیست؟ What is Amazon CloudWatch?

• خلاصه Summary

حسابرسی، نظارت و ارزیابی با AWS CloudTrail و AWS Config Audit, Monitor & Evaluate with AWS CloudTrail & AWS Config

• مقدمه Introduction

• AWS CloudTrail چیست؟ What is AWS CloudTrail?

• عملیات AWS CloudTrail AWS CloudTrail Operations

• AWS Config چیست؟ What is AWS Config?

• اجزای اصلی پیکربندی AWS Key Components of AWS Config

ابزارهای مدیریت هزینه AWS AWS Cost Management Tools

• مقدمه Introduction

• صورتحساب ها و محرک های هزینه Bills and Cost Drivers

• اعتبارات Credits

• کاوشگر هزینه Cost Explorer

• گزارش ها Reports

• گزارش هزینه و استفاده Cost and Usage Reports

• بودجه ها Budgets

بهبود برنامه ریزی و کنترل هزینه با بودجه های AWS Improve Planning and Cost Control With AWS Budgets

• مقدمه Introduction

• مقدمه ای بر بودجه های AWS Introduction to AWS Budgets

• ایجاد نسخه نمایشی بودجه Creating a Budget Demo

• نسخه نمایشی اقدامات بودجه Budget Actions Demo

• نسخه نمایشی گزارش های بودجه Budget Reports Demo

• تشخیص ناهنجاری هزینه AWS AWS Cost Anomaly Detection

• خلاصه Summary