آموزش مایکروسافت آزور (Microsoft Azure) برای هوش مصنوعی و یادگیری ماشین - آخرین آپدیت

دانلود Microsoft Azure for AI and Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره تجربه عملی جامعی در زمینه خدمات هوش مصنوعی (AI) و یادگیری ماشین (ML) مایکروسافت آزور ارائه می‌دهد. شما یاد خواهید گرفت که چگونه گردش کارهای AI و ML مبتنی بر Azure را راه‌اندازی، مدیریت و عیب‌یابی کنید. این دوره تمام چرخه حیات یادگیری ماشین در Azure، از آماده‌سازی داده‌ها تا استقرار مدل و نظارت بر آن را پوشش می‌دهد. در پایان این دوره، شما قادر خواهید بود: ۱. منابع Azure را برای پروژه‌های هوش مصنوعی و یادگیری ماشین پیکربندی و مدیریت کنید. ۲. خط لوله‌های (Pipelines) جامع یادگیری ماشین را با استفاده از سرویس‌های Azure پیاده‌سازی کنید. ۳. مدل‌های ML را در محیط‌های عملیاتی Azure مستقر و مانیتور کنید. ۴. مشکلات رایج در گردش کارهای Azure AI و ML را عیب‌یابی و رفع کنید. برای موفقیت در این دوره، داشتن دانش متوسط در برنامه‌نویسی پایتون، تجربه در زیرساخت‌های AI/ML، آشنایی با الگوریتم‌ها و تکنیک‌های اصلی هوش مصنوعی و طراحی عامل‌های عیب‌یابی هوشمند ضروری است. همچنین آشنایی با مفاهیم آمار توصیه می‌شود.

سرفصل ها و درس ها

راه‌اندازی محیط Azure AI و ML Azure AI & ML environment setup

  • معرفی برنامه گواهینامه حرفه‌ای پیشرفته مهندسی AI/ML Introduction to the AI/ML engineering advanced professional certificate program

  • معرفی مایکروسافت آزور برای هوش مصنوعی و یادگیری ماشین Introduction to Microsoft Azure for AI and Machine Learning

  • راهنمای عملی: ایجاد مخزن کد بخش اول (اختیاری) Walkthrough: Creating your code repository Part 1 (Optional)

  • راهنمای عملی: ایجاد مخزن کد بخش دوم (اختیاری) Walkthrough: Creating your code repository Part 2 (Optional)

  • راهنمای عملی: پیکربندی منابع (اختیاری) Walkthrough: Configuring resources (Optional)

  • راه‌اندازی محیط‌های کاری Azure Machine Learning Setting up Azure Machine Learning workspaces

  • راهنمای عملی: پیاده‌سازی بهترین روش‌ها برای راه‌اندازی محیط کاری (اختیاری) Walkthrough: Implementing the best practices for workspace setup (Optional)

  • معرفی راهکارهای ذخیره‌سازی داده‌ها Introduction to data storage solutions

  • راهنمای عملی: پیاده‌سازی راهکارهای ذخیره‌سازی داده‌ها (اختیاری) Walkthrough: Implementing data storage solutions (Optional)

آماده‌سازی داده‌ها و آموزش مدل در Azure Data preparation and model training in Azure

  • آماده‌سازی داده‌ها و آموزش مدل در Azure Data preparation and model training in Azure

  • راهنمای عملی: ایجاد خط لوله جذب داده (اختیاری) Walkthrough: Creating an ingestion pipeline (Optional)

  • پیش‌پردازش داده‌ها Data preprocessing

  • راهنمای عملی: پیاده‌سازی تکنیک‌های پیش‌پردازش (اختیاری) Walkthrough: Implementing preprocessing techniques (Optional)

  • آموزش مدل Model training

  • نحوه آموزش مدل‌ها با استفاده از Azure Machine Learning How to train models using Azure Machine Learning

  • مانیتورینگ و ثبت وقایع (Logging) فرآیندهای آموزش Monitoring and logging training processes

  • راهنمای عملی: پیاده‌سازی Logging در سیستم‌های ML (اختیاری) Walkthrough: Implementing logging in ML systems (Optional)

استقرار و مدیریت مدل در Azure Model deployment and management in Azure

  • استقرار مدل Model deployment

  • راهنمای عملی: استقرار مدل‌های آموزش دیده (اختیاری) Walkthrough: Deploying trained models (Optional)

  • راهنمای عملی: استفاده از AKS (اختیاری) Walkthrough: Using AKS (Optional)

  • راهنمای عملی: احراز هویت در Azure Machine Learning (اختیاری) Walkthrough: Authenticating to Azure Machine Learning (Optional)

  • پیاده‌سازی خط لوله‌های CI/CD Implementing CI/CD pipelines

  • بهترین روش‌های استقرار مستمر Continuing deployment best practices

  • راهنمای عملی: نظارت بر مدل‌های مستقر شده (اختیاری) Walkthrough: Monitoring deployed models (Optional)

عیب‌یابی گردش کارهای Azure AI/ML Troubleshooting Azure AI/ML workflows

  • مشکلات رایج و راهنمای عیب‌یابی Common issues and troubleshooting guide

  • راهنمای عملی: طراحی یک عامل عیب‌یابی هوشمند (اختیاری) Walkthrough: Designing an intelligent troubleshooting agent (Optional)

  • راهنمای عملی: عیب‌یابی یک خط لوله نمونه (اختیاری) Walkthrough: Troubleshooting a sample pipeline (Optional)

  • راهنمای عملی: استفاده از ابزارهای تشخیصی و مانیتورینگ (اختیاری) Walkthrough: Using diagnostic and monitoring tools (Optional)

  • پیاده‌سازی هشارهای خودکار و اصلاحات Implementing automated alerts and remediation

  • راهنمای عملی: پیاده‌سازی هشارهای خودکار و اصلاحات (اختیاری) Walkthrough: Implementing automated alerts and remediation (Optional)

  • استفاده از ابزارهای اتوماسیون تکمیلی Azure، بخش اول Using additional Azure automation tools, Part 1

  • استفاده از ابزارهای اتوماسیون تکمیلی Azure، بخش دوم Using additional Azure automation tools, Part 2

  • جمع‌بندی: عیب‌یابی گردش کارهای Azure AI/ML Summary: Troubleshooting Azure AI/ML workflows

  • گفت‌وگو با متخصص: کاربردهای واقعی در موارد حساس و حیاتی Hear from an expert: Real-world applications of high-stakes use cases

به سوی یکپارچه‌سازی سیستم‌ها Toward systems integration

  • محیط‌های ناامن و پیامدهای آن Unsecured environments and ramifications

  • ایده‌پردازی درباره مشکلات احتمالی و راهکارهای آن‌ها Ideating potential issues and solutions

  • گفت‌وگو با متخصص: استفاده مسئولانه از هوش مصنوعی Hear from an expert: Applying AI responsibly

  • جمع‌بندی: به سوی یکپارچه‌سازی سیستم Summary: Toward system integration

  • خلاصه دوره Course summary

  • تبریک برای به پایان رساندن دوره! Congratulations on completing the course!

نمایش نظرات

آموزش مایکروسافت آزور (Microsoft Azure) برای هوش مصنوعی و یادگیری ماشین
جزییات دوره
21h 51m
40
(آخرین آپدیت)
6,983
4.5 از 5
دارد
دارد
دارد
Microsoft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar