آمادگی آزمون AI-300: مهندس عملیات یادگیری ماشین Azure - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

مبانی و مفاهیم پایه Azure Machine Learning Azure Machine Learning - Fundamentals and Primers

• آشنایی با قابلیت‌ها و یکپارچگی Azure Machine Learning Introduction to Azure Machine Learning Capabilities and Integration

• آزمایشگاه: ایجاد فضای کاری Azure Machine Learning (عملی) Lab: Creating Azure Machine Learning Workspace (Hands-On Lab)

• آشنایی با اهداف محاسباتی (Compute Targets) در فضای کاری Azure ML Introduction to Compute Targets in Azure ML Workspace

• آزمایشگاه: ایجاد و مدیریت اهداف محاسباتی (عملی) Lab: Creating and Managing Compute Targets (Hands-On Lab)

• آشنایی با ذخیره‌سازها و دارایی‌های داده در فضای کاری Azure ML Introduction to Datastores and Data Assets in Azure ML Workspace

• مقایسه SDK نسخه 1 در مقابل نسخه 2 در Azure ML Azure ML SDK v1 v/s SDK v2

• مخزن گیت‌هاب برای آزمایشگاه‌ها GitHub Repository for Labs

• آزمایشگاه: کلون کردن مخزن گیت‌هاب (عملی) Lab: Cloning the GitHub Repo for Labs (Hands-On Lab)

• آزمایشگاه: ایجاد و مدیریت ذخیره‌سازها (عملی) Lab: Creating and Managing Datastores (Hands-On Lab)

• آشنایی با Spark برای اکتشاف و پردازش داده‌ها Introduction to Spark for Data Exploration and Processing

• آزمایشگاه: استفاده از Spark برای اکتشاف داده‌ها (عملی) Lab: Using Spark for Data Exploration (Hands-On Lab)

• مقایسه Spark Dataframes در مقابل Pandas Dataframes Spark Dataframes v/s Pandas Dataframes

پایه‌های آمار و یادگیری ماشین Statistical and Machine Learning Foundations

• مقدمه‌ای بر مفاهیم آمار و یادگیری ماشین Introduction to the Concepts of Statistical and Machine Learning

• آشنایی با کتابخانه‌های ML: مانند PySpark، SKLearn، TensorFlow و غیره Introduction to ML Libraries: PySpark, SKLearn, TensorFlow etc.

• درک الگوریتم‌های خطی Understanding Linear Algorithms

• آزمایشگاه: آموزش مدل پیش‌بینی تابع هزینه با Designer (عملی) Lab: Training a Cost Function Prediction Model with Designer (Hands-On Lab)

• آزمایشگاه: ایجاد خط لوله استنتاج در لحظه (عملی) Lab: Creating a Real-Time Inference Pipeline (Hands-On Lab)

• آزمایشگاه: استقرار مدل در Azure Container Instance (عملی) Lab: Deploying the Model to Azure Container Instance (Hands-On Lab)

• آناتومی Azure ML: شغل‌ها، آزمایش‌ها و اجراها Anatomy of Azure ML: Jobs, Experiments and Runs

• آزمایشگاه: آموزش مدل پیش‌بینی دیابت (عملی) Lab: Training a Diabetes Predictor Model (Hands-On Lab)

• ارزیابی‌های طبقه‌بندی: ماتریس اغتشاش و منحنی ROC Classification Evaluations: Confusion Matrix and ROC Curve

• آشنایی با AutoML Introduction to AutoML

• آزمایشگاه: آموزش خودکار با AutoML (عملی) Lab: Automated Training with AutoML (Hands-On Lab)

سازمان‌دهی آموزش مدل‌های ML با MLflow Orchestrating ML Model Training with MLflow

• آشنایی با MLflow Introduction to MLflow

• آزمایشگاه: رهگیری آزمایش‌ها و ثبت مدل با MLflow (عملی) Lab: Experiment Tracking and Model Registration with MLflow (Hands-On Lab)

• آشنایی با محیط‌ها (Environments) (عملی) Introduction to Environments (Hands-On Lab)

• آزمایشگاه: ایجاد محیط سفارشی برای استقرار مدل (عملی) Lab: Creating a Custom Environment for Model Deployment (Hands-On Lab)

• آزمایشگاه: استقرار مدل MLflow در یک محیط محاسباتی مدیریت‌شده (عملی) Lab: Deploying MLflow Model to a Managed Compute (Hands-On Lab)

• آزمایشگاه: تنظیم هایپرپارامترها با استفاده از Optuna و MLflow (عملی) Lab: Hyperparameter Tuning using Optuna and MLflow (Hands-On Lab)

اسکریپت‌های آموزش و خط لوله‌ها Training Scripts and Pipelines

• مقدمه‌ای بر اسکریپت‌های آموزش و خط لوله‌ها Introduction to Training Scripts and Pipelines

• آزمایشگاه: اسکریپت آموزش بدون پارامتر (عملی) Lab: Non-Parameterised Training Script (Hands-On Lab)

• آزمایشگاه: اسکریپت آموزش پارامتری (عملی) Lab: Parameterised Training Script (Hands-On Lab)

• آزمایشگاه: ساخت و اجرای یک خط لوله (عملی) Lab: Build and Execute a Pipeline (Hands-On Lab)

ارزیابی هوش مصنوعی مسئولانه Responsible AI Evaluation

• آشنایی با اصول هوش مصنوعی مسئولانه Introduction to Responsible AI Principles

• نقشه حرارتی، ضد-واقع‌گرایی، تحلیل علی و اهمیت ویژگی‌ها Heat Map, Counterfactuality, Causal Analysis and Feature Importance

• آزمایشگاه: ساخت داشبورد هوش مصنوعی مسئولانه (عملی) Lab: Build a Responsible AI Dashboard (Hands-On Lab)

• آزمایشگاه: بصری‌سازی داشبورد هوش مصنوعی مسئولانه (عملی) Lab: Visualize a Responsible AI Dashboard (Hands-On Lab)

استقرار و نظارت بر مدل Model Deployment and Monitoring

• استقرار مدل: نقاط پایانی API در لحظه در مقابل دسته‌ای (Batch) Model Deployments: Real-Time v/s Batch API Endpoints

• آشنایی با استقرار A/B و استراتژی‌های بازگشت ایمن (Safe Rollback) Introduction to A/B Deployments and Safe Rollback Strategies

• آزمایشگاه: پیاده‌سازی تست A/B و بازگشت‌ها (عملی) Lab: Implement A/B Testing and Rollbacks (Hands-On Lab)

• درک تغییرات داده (Data Drift) Understanding Data Drift

• آزمایشگاه: پیکربندی نظارت بر عملکرد مدل‌ها (عملی) Lab: Configure Model Performance Monitoring for Models (Hands-On Lab)

مبانی و مفاهیم پایه GenAI GenAI Fundamentals and Primers

• آشنایی با GenAI و مدل‌های زبانی بزرگ (LLMs) Introduction to GenAI and LLMs

• مهندسی پرامپت: مقدمه و بهترین روش‌ها Prompt Engineering: Introduction and Best Practises

• آشنایی با عامل‌ها و سیستم‌های AI ترکیبی Introduction to Agents and Compound AI Systems

• آشنایی با اصطلاحات تخصصی GenAI Introduction to GenAI Jargons

هوش مصنوعی مولد با Azure ML Workspace و Prompt Flows GenAI with Azure ML Workspace and Prompt Flows

• آشنایی با GenAI در فضای کاری Azure ML Introduction to GenAI on Azure ML Workspace

• آزمایشگاه: استقرار یک مدل LLM در فضای کاری Azure ML (عملی) Lab: Deploying a LLM Model in Azure ML Workspace (Hands-On Lab)

• مقایسه انواع مختلف استقرار مدل‌های LLM Comparing Different LLM Model Deployment Types

• آشنایی با Prompt Flows Introduction to Prompt Flows

• آزمایشگاه: ایجاد یک Prompt Flow ساده برای شناسایی موجودات نام‌دار (NER) (عملی) Lab: Creating a Simple Named Entity Recognition Prompt Flow (Hands-On Lab)

• آشنایی با RAG Introduction to RAG

• آشنایی با Azure AI Search Introduction to Azure AI Search

• آزمایشگاه: راه‌اندازی زیرساخت RAG (عملی) Lab: Setting up the RAG Infra (Hands-On Lab)

• آزمایشگاه: راه‌اندازی ایندکس جستجوی AI (عملی) Lab: Setting up the AI Search Index (Hands-On Lab)

• آزمایشگاه: پیاده‌سازی Prompt Flow برای RAG (عملی) Lab: Implementing the RAG Prompt Flow (Hands-On Lab)

• آشنایی با ارزیابی خودکار و سفارشی Introduction to Automated and Custom Evaluation

• معیارهای ارزیابی: مستند بودن، مرتبط بودن، انسجام و غیره Evaluation Metrics: Groundedness, Relevancy, Coherence etc.

• آزمایشگاه: اجرای یک ارزیابی خودکار (عملی) Lab: Running an Automated Evaluation (Hands-On Lab)

• انواع مهندسی پرامپت و بهترین روش‌ها Prompt Engineering Variants & Best Practises

بهینه‌سازی عملکرد و دقت RAG Optimize RAG Performance and Accuracy

• آشنایی با بهینه‌سازی عملکرد RAG Introduction to RAG performance Optimization

• درک رتبه‌بندی BM25 و رتبه‌بندی معنایی در AI Search Understanding BM25 Ranking and Semantic Re-ranking in AI Search

• انتخاب استراتژی تکه‌بندی (Chunking) بر اساس مدل و ارزیابی بازیابی Select chunking strategy based on model and retrieval evaluation

• بهینه‌سازی جستجوها: ترکیبی، برداری، کلمه کلیدی، معنایی و غیره Optimize Searches: Hybrid, Vector, Keyword-Based, Semantic etc.

هوش مصنوعی مولد و عامل‌ها با Microsoft Foundry GenAI and Agents with Microsoft Foundry

• آشنایی با Microsoft Foundry (عملی) Introduction to Microsoft Foundry (Hands-On Lab)

• آزمایشگاه: فراخوانی LLM شرکت OpenAI از طریق SDK فاندری (عملی) Lab: Calling OpenAI LLM via Foundry OpenAI SDK (Hands-On Lab)

• آزمایشگاه: ایجاد اولین عامل ما با استفاده از سرویس Agent (عملی) Lab: Creating our First Agent using the Agent Service (Hands-On Lab)

• آشنایی با Microsoft Foundry SDK Introduction to the Microsoft Foundry SDK

• آزمایشگاه: ایجاد اولین عامل ما با استفاده از SDK (عملی) Lab: Creating our First Agent with the SDK (Hands-On Lab)

• آزمایشگاه: کار با فیلترهای ایمنی محتوا (عملی) Lab: Working with Content Safety Filters (Hands-On Lab)

• درک تیم قرمز (Red Teaming) در عامل‌های AI Understanding AI Agent Red Teaming

• آزمایشگاه: ارزیابی عامل AI با استفاده از Red Teaming (عملی) Lab: Evaluating our AI Agent using Red Teaming (Hands-On Lab)

• آزمایشگاه: ایجاد یک عامل RAG با ایندکس جستجو از طریق پورتال (عملی) Lab: Creating a RAG Agent with Search Index from Portal (Hands-On Lab)

تنظیم دقیق LLM با Microsoft Foundry LLM Fine-Tuning with Microsoft Foundry

• آشنایی با تنظیم دقیق (Fine Tuning) مدل‌های LLM Introduction to LLM Fine-Tuning

• بررسی عمیق تکنیک‌های تنظیم دقیق: RF، DPO و SFT Fine-Tuning Techniques Deep Dive: RF, DPO and SFT

• آزمایشگاه: نگاهی به مجموعه‌داده‌های آموزشی SFT و DFO (عملی) Lab: A Look at SFT and DFO Training Datasets (Hands-On Lab)

• آزمایشگاه: تولید داده‌های مصنوعی با Microsoft Foundry (عملی) Lab: Synthetic Data Generation with Microsoft Foundry (Hands-On Lab)

• آزمایشگاه: راهنمای گام‌به‌گام تنظیم دقیق در Microsoft Foundry (عملی) Lab: Fine-Tuning Walkthrough in Microsoft Foundry (Hands-On Lab)

آزمون‌های تمرینی Practise Tests

• آزمون تمرینی ۱ Practise Test 1

• آزمون تمرینی ۲ Practise Test 2