آموزش مهندس AWS دارای گواهینامه یادگیری ماشین - همکار (MLA-C01): استقرار و هماهنگ سازی گردش های کاری ML

سرفصل ها و درس ها

زیرساخت استقرار را بر اساس معماری و الزامات موجود انتخاب کنید Select Deployment Infrastructure Based on Existing Architecture and Requirements

• بهترین شیوه های استقرار مدل Model Deployment Best Practices

• مروری بر استقرار مدل های یادگیری ماشین با استفاده از Amazon SageMaker Overview of Deploying Machine Learning Models Using Amazon SageMaker

• نسخه ی نمایشی: استقرار یک نقطه پایانی مدل بلادرنگ با استفاده از SageMaker Demo: Deploying a Real-time Model Endpoint Using SageMaker

• چه زمانی از نقاط پایانی بلادرنگ استفاده کنیم When to Use Real Time Endpoints

• زمان استفاده از نقاط پایانی بدون سرور When to Use Serverless Endpoints

• نسخه ی نمایشی: استقرار یک نقطه پایانی مدل بدون سرور با استفاده از Amazon SageMaker Demo: Deploying a Serverless Model Endpoint Using Amazon SageMaker

• زمان استفاده از نقاط پایانی ناهمزمان When to Use Asynchronous Endpoints

• زمان استفاده از استنتاج دسته ای When to Use Batch Inference

• نسخه ی نمایشی: استفاده از استنتاج دسته ای با SageMaker Demo: Using Batch Inference with SageMaker

• تصاویر کانتینر داخلی SageMaker در مقابل تصاویر کانتینر سفارشی SageMaker Built-in Container Images vs. Custom Container Images

• SageMaker Neo چیست؟ What Is SageMaker Neo?

• نسخه ی نمایشی: استقرار ارکستراسیون با SageMaker Pipelines Demo: Deployment Orchestration with SageMaker Pipelines

• ارزیابی هزینه عملکرد و معاوضه تاخیر Evaluating Performance Cost and Latency Tradeoffs

• انتخاب منابع محاسباتی مناسب Selecting Appropriate Compute Resources

• زمان استفاده از Apache Airflow When to Use Apache Airflow

• انتخاب چند مدل یا چند کانتینر استقرار Selecting Multi-model or Multi-container Deployments

• مفاهیم کانتینری و خدمات کانتینر AWS Containerization Concepts and AWS Container Services

• انتخاب هدف استقرار صحیح Selecting the Correct Deployment Target

• بخش 1 زیرساخت استقرار را بر اساس معماری موجود و بررسی الزامات انتخاب کنید Select Deployment Infrastructure Based on Existing Architecture and Requirements Review Part 1

• بخش 2 زیرساخت استقرار را بر اساس معماری موجود و بررسی الزامات انتخاب کنید Select Deployment Infrastructure Based on Existing Architecture and Requirements Review Part 2

ایجاد و اسکریپت زیرساخت بر اساس معماری و الزامات موجود Create and Script Infrastructure Based on Existing Architecture and Requirements

• بر اساس تقاضا و منابع تامین شده On Demand and Provisioned Resources

• نحوه مقایسه سیاست های مقیاس بندی How to Compare Scaling Policies

• زیرساخت به عنوان کد با استفاده از AWS CloudFormation Infrastructure as Code Using AWS CloudFormation

• زمان استفاده از AWS CDK (کیت توسعه ابر) When to Use AWS CDK (Cloud Development Kit)

• فعال کردن ارتباط بین پشته ها Enabling Communication Between Stacks

• نحوه استفاده از سیاست‌های مقیاس خودکار Sagemaker Endpoint How to Use Sagemaker Endpoint Auto Scaling Policies

• آموزش نقطه ای مدیریت شده SageMaker SageMaker Managed Spot Training

• ساخت و نگهداری کانتینرها Building and Maintaining Containers

• نسخه ی نمایشی: ساخت کانتینر خود برای استفاده با SageMaker Demo: Building Your Own Container to Use with SageMaker

• پیکربندی نقاط پایانی SageMaker در شبکه VPC Configuring SageMaker Endpoints within the VPC Network

• آشنایی با SageMaker SDK Understanding the SageMaker SDK

• انتخاب معیارهای مقیاس خودکار مناسب Selecting the Right Auto Scaling Metrics

• ایجاد و اسکریپت زیرساخت بر اساس معماری موجود و بررسی نیازمندی ها قسمت 1 Create and Script Infrastructure Based on Existing Architecture and Requirements Review Part1

• ایجاد و اسکریپت زیرساخت بر اساس معماری موجود و بررسی نیازمندی ها قسمت 2 Create and Script Infrastructure Based on Existing Architecture and Requirements Review Part2

از ابزارهای هماهنگ سازی خودکار برای راه اندازی خطوط لوله یکپارچه سازی و تحویل مداوم (CI/CD) استفاده کنید. Use Automated Orchestration Tools to Set up Continuous Integration and Continuous Delivery (CI/CD) Pipelines

• درک اصول CI/CD Understanding CI/CD Principles

• AWS CodePipeline چیست؟ What Is AWS CodePipeline?

• AWS CodeBuild چیست؟ What Is AWS CodeBuild?

• AWS CodeDeploy چیست؟ What Is AWS CodeDeploy?

• نسخه ی نمایشی: با استفاده از CodePipeline Demo: Using CodePipeline

• یکپارچه سازی و جذب خودکار داده ها Automated Data Integration and Ingestion

• کنترل نسخه با استفاده از Git Version Control Using Git

• چگونه مخازن کد و خطوط لوله با هم کار می کنند How Code Repositories and Pipelines Work Together

• فراخوانی خطوط لوله Invoking Pipelines

• استراتژی استقرار سبز آبی Blue Green Deployment Strategy

• استراتژی استقرار قناری Canary Deployment Strategy

• استراتژی استقرار خطی Linear Deployment Strategy

• خودکارسازی ساخت و استقرار مدل Automating Model Build and Deployment

• اتوماسیون با استفاده از Amazon EventBridge Automation Using Amazon EventBridge

• با استفاده از SageMaker Pipelines Using SageMaker Pipelines

• ایجاد تست های خودکار در خطوط لوله CI/CD Creating Automated Tests in CI/CD Pipelines

• بهترین روش ها برای مدل های بازآموزی Best Practices for Retraining Models

• از ابزارهای هماهنگ سازی خودکار برای تنظیم بررسی خطوط لوله CI/CD - قسمت 1 استفاده کنید Use Automated Orchestration Tools to Set up CI/CD Pipelines Review - Part 1

• از ابزارهای هماهنگ سازی خودکار برای تنظیم بررسی خطوط لوله CI/CD - قسمت 2 استفاده کنید Use Automated Orchestration Tools to Set up CI/CD Pipelines Review - Part 2

استقرار و هماهنگی نکات امتحانی گردش کار ML Deployment and Orchestration of ML Workflows Exam Tips

• بررسی استقرار و هماهنگ سازی دامنه گردش کار ML Reviewing the Deployment and Orchestration of ML Workflows Domain

• استقرار و هماهنگی جریان کار ML بررسی سوال: سوال 1 Deployment and Orchestration of ML Workflows Question Review: Question 1

• استقرار و هماهنگ سازی ML Workflows بررسی سوال: سوال 2 Deployment and Orchestration of ML Workflows Question Review: Question 2

• استقرار و هماهنگی جریان کار ML بررسی سوال: سوال 3 Deployment and Orchestration of ML Workflows Question Review: Question 3

• استقرار و هماهنگ‌سازی جریان‌های کاری ML بررسی سؤال: سؤال 4 Deployment and Orchestration of ML Workflows Question Review: Question 4

• استقرار و هماهنگی جریان کار ML بررسی سوال: سوال 5 Deployment and Orchestration of ML Workflows Question Review: Question 5

• استقرار و هماهنگی جریان های کاری ML بررسی سوال: سوال 6 Deployment and Orchestration of ML Workflows Question Review: Question 6