آموزش استقرار پیشرفته، MLOps و هوش مصنوعی مولد در Azure - آخرین آپدیت

استراتژی‌های پیشرفته استقرار مدل Advanced Model Deployment Strategy

• پردازش موازی و مقیاس‌بندی حجم کاری یادگیری ماشین Parallel Processing and Scaling ML Workloads

• آموزش توزیع‌شده با TensorFlow/PyTorch در کلاسترهای محاسباتی Azure Distributed Training with TensorFlow/PyTorch on Azure Compute Clusters

• دمو: آموزش توزیع‌شده با TensorFlow/PyTorch در کلاسترهای محاسباتی Azure DEMO - Distributed Training with TensorFlow/PyTorch on Azure Compute Clusters

• انتخاب بین استنتاج آنی (Real-time) و دسته‌ای (Batch) Choosing Between Real-Time and Batch Inference

• استقرارهای بدون سرور مدل با Azure Functions Serverless Model Deployments with Azure Functions

• دمو: استقرار یک مدل یادگیری ماشین آنی روی AKS DEMO - Deploying a Real-Time ML Model on AKS

• کنترل دسترسی مبتنی بر نقش (RBAC) و امنیت API Role-Based Access Control (RBAC) and API Security

• ثبت لاگ و هشداردهی با Azure Monitor و Application Insights Logging and Alerting with Azure Monitor and Application Insights

• دمو: ثبت لاگ و هشداردهی با Azure Monitor و Application Insights DEMO - Logging and Alerting with Azure Monitor and Application Insights

• مقدمه‌ای بر استراتژی‌های پیشرفته استقرار Introduction to Advanced Deployment Strategies

• استقرار مدل‌های یادگیری ماشین روی دستگاه‌های Edge با Azure IoT Deploying ML Models on Edge Devices with Azure IoT

• بهینه‌سازی مدل با ONNX برای استنتاج کارآمد Model Optimization with ONNX for Efficient Inference

عملیات یادگیری ماشین (MLOps) MLOps (Machine Learning Operations)

• اهمیت MLOps در اپلیکیشن‌های مدرن هوش مصنوعی Importance of MLOps in Modern AI Applications

• تفاوت‌های کلیدی بین DevOps و MLOps Key Differences Between DevOps and MLOps

• چالش‌های عملیاتی کردن مدل‌های یادگیری ماشین Challenges in Operationalizing ML Models

• اتوماسیون گردش کارهای ML با Azure DevOps و GitHub Actions Automating ML Workflows with Azure DevOps & GitHub Actions

• زیرساخت به عنوان کد (IaC) برای محیط‌های یادگیری ماشین Infrastructure as Code (IaC) for ML Environments

• رمزنگاری داده‌ها، انطباق (GDPR, HIPAA) و بهترین روش‌های امنیتی Data Encryption, Compliance (GDPR, HIPAA), and Security Best Practices

• دمو: کنترل دسترسی مبتنی بر نقش در Azure ML DEMO - Role-Based Access in Azure ML

بررسی هوش مصنوعی مولد با Azure ML Studio Exploring Generative AI with Azure ML Studio

• درک هوش مصنوعی مولد: چیست و چگونه کار می‌کند؟ Understanding Generative AI: What Is It?

• درک هوش مصنوعی مولد: انواع مدل‌های مولد Understanding Generative AI: Types of Generative Models

• درک هوش مصنوعی مولد: مدل‌های محبوب Generative AI Understanding Generative AI: Popular Generative AI Models

• دموی آزمایشگاهی: استفاده از GPT در Azure ML (بخش اول) Lab Demo: Using GPT in Azure ML-1

• دموی آزمایشگاهی: استفاده از GPT در Azure ML (بخش دوم) Lab Demo: Using GPT in Azure ML-2

• دموی آزمایشگاهی: خلق آثار هنری با DALL·E Lab Demo: Generating AI-Generated Art with DALL·E

• تنظیم دقیق (Fine Tuning) مدل‌های هوش مصنوعی مولد؛ چرا به Fine Tuning نیاز است؟ Fine-Tuning Generative AI Models; Why Fine-Tuning Is Needed

• تکنیک‌های تنظیم دقیق GPT و سایر مدل‌ها Techniques for Fine-Tuning GPT & Other Models

• دموی آزمایشگاهی: ساخت یک چت‌بات تخصصی برای یک دامنه خاص Lab Demo: Creating a Domain-Specific Chatbot

• دموی آزمایشگاهی: ارتقای تولید متن برای موارد استفاده سفارشی Lab Demo: Enhancing Text Generation for Custom Use Cases

• ملاحظات اخلاقی در هوش مصنوعی مولد: چالش‌های Generative AI Ethical Considerations in Generative AI: Challenges in Generative AI

• تکنیک‌هایی برای توسعه مسئولانه هوش مصنوعی Techniques for Responsible AI Development

• دموی آزمایشگاهی: حسابرسی سوگیری (Bias) در مدل‌های هوش مصنوعی Lab Demo: Auditing Bias in AI Models

• دموی آزمایشگاهی: استفاده از هوش مصنوعی قابل توضیح (XAI) در Azure ML Lab Demo: Using Explainable AI in Azure ML