آموزش Bootcamp MLOps را با بیش از 10 پروژه پایان به پایان ML کامل کنید

دانلود Complete MLOps Bootcamp With 10+ End To End ML Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Bootcamp MLOps End-to-End: ساخت، استقرار و خودکارسازی ML با پروژه های علم داده ساخت خطوط لوله MLOps مقیاس پذیر با ادغام Git، Docker و CI/CD. پیاده سازی MLFlow و DVC برای نسخه سازی مدل و ردیابی آزمایش. مدل‌های ML سرتاسر را با AWS SageMaker و Huggingface بکار ببرید. خطوط لوله ETL و گردش کار ML را با استفاده از Apache Airflow و Astro خودکار کنید. سیستم‌های ML را با استفاده از Grafana و PostgreSQL برای بینش در زمان واقعی نظارت کنید. پیش نیازها: درک اولیه برنامه نویسی پایتون. آشنایی با مفاهیم و الگوریتم های یادگیری ماشین. دانش اولیه Git و GitHub برای کنترل نسخه. درک Docker برای کانتینرسازی (اختیاری اما مفید). آگاهی از مفاهیم رایانش ابری (AWS ارجح است، اما اجباری نیست).

به بوت کمپ کامل MLOps با پروژه علوم داده پایان به پایان خوش آمدید، راهنمای یک مرحله ای شما برای تسلط بر MLO ها از ابتدا! این دوره آموزشی برای تجهیز شما به مهارت‌ها و دانش لازم برای پیاده‌سازی و خودکارسازی استقرار، نظارت و مقیاس‌بندی مدل‌های یادگیری ماشین با استفاده از جدیدترین ابزارها و چارچوب‌های MLOps طراحی شده است.

در دنیای امروز، ساختن مدل‌های یادگیری ماشینی کافی نیست. برای موفقیت به عنوان یک دانشمند داده، مهندس یادگیری ماشین یا حرفه ای DevOps، باید بدانید که چگونه مدل های خود را از توسعه به تولید برسانید و در عین حال از مقیاس پذیری، قابلیت اطمینان و نظارت مستمر اطمینان حاصل کنید. اینجا جایی است که MLOps (عملیات یادگیری ماشین) وارد عمل می شود و بهترین شیوه های مدیریت چرخه عمر مدل DevOps و ML را ترکیب می کند.

این بوت کمپ نه تنها شما را با مفاهیم MLOps آشنا می کند، بلکه شما را در پروژه های علمی داده در دنیای واقعی و عملی راهنمایی می کند. در پایان دوره، می‌توانید با اطمینان خطوط لوله یادگیری ماشین را در محیط‌های تولید بسازید، مستقر کنید و مدیریت کنید.

آنچه یاد خواهید گرفت:

  1. پیش نیازهای پایتون: مهارت های ضروری برنامه نویسی پایتون را که برای ساختن علوم داده و خطوط لوله MLOps لازم است، یاد بگیرید.

  2. کنترل نسخه با Git GitHub: نحوه مدیریت کد و همکاری در پروژه های یادگیری ماشین با استفاده از Git و GitHub را بدانید.

  3. Docker Containerization : با اصول Docker آشنا شوید و چگونه مدل‌های ML خود را برای استقرار آسان و مقیاس‌پذیر کانتینری کنید.

  4. MLflow for Experiment Tracking: در استفاده از MLFlow برای ردیابی آزمایش‌ها، مدیریت مدل‌ها و ادغام یکپارچه با AWS Cloud برای مدیریت و استقرار مدل تسلط پیدا کنید.

  5. DVC برای نسخه‌سازی داده: کنترل نسخه داده‌ها (DVC) را بیاموزید تا مجموعه داده‌ها، مدل‌ها و نسخه‌سازی را به طور موثر مدیریت کنید و از تکرارپذیری در خطوط لوله ML خود اطمینان حاصل کنید.

  6. DagsHub برای MLOهای مشارکتی: از DagsHub برای ردیابی یکپارچه کد، داده‌ها و آزمایش‌های ML خود با استفاده از Git و DVC استفاده کنید.

  7. Apache Airflow with Astro: گردش‌های کاری ML خود را با استفاده از Airflow با Astronomer به‌طور خودکار و هماهنگ کنید و از اجرای یکپارچه خطوط لوله اطمینان حاصل کنید.

  8. خط لوله CI/CD با اقدامات GitHub: یک خط لوله یکپارچه سازی/استقرار پیوسته (CI/CD) را برای خودکارسازی آزمایش، استقرار مدل و به روز رسانی پیاده سازی کنید.

  9. پیاده‌سازی خط لوله ETL: خطوط لوله کامل ETL (Extract, Transform, Load) را با استفاده از Apache Airflow ایجاد و استقرار دهید و منابع داده را برای مدل‌های یادگیری ماشین یکپارچه کنید.

  10. پروژه یادگیری ماشینی سرتاسر: پروژه کامل ML از جمع‌آوری داده‌ها تا استقرار را طی کنید و مطمئن شوید که نحوه اعمال MLO را در عمل می‌دانید.

  11. پروژه NLP End-to-End با Huggingface: روی یک پروژه NLP در دنیای واقعی کار کنید، با یادگیری نحوه استقرار و نظارت بر مدل‌های ترانسفورماتور با استفاده از ابزار Huggingface.

  12. AWS SageMaker for ML Deployment: نحوه استقرار، مقیاس‌بندی و نظارت بر مدل‌های خود را در AWS SageMaker بیاموزید و به‌طور یکپارچه با سایر سرویس‌های AWS ادغام می‌شود.

  13. هوش مصنوعی ژنرال با AWS Cloud: تکنیک‌های هوش مصنوعی مولد را کاوش کنید و نحوه استقرار این مدل‌ها را با استفاده از زیرساخت‌های ابری AWS بیاموزید.

  14. نظارت با Grafana PostgreSQL: عملکرد مدل‌ها و خطوط لوله خود را با استفاده از داشبوردهای Grafana متصل به PostgreSQL برای اطلاعات بینش در زمان واقعی نظارت کنید.

این دوره برای چه کسانی است؟

  • دانشمندان داده و مهندسان یادگیری ماشین با هدف مقیاس‌بندی مدل‌های ML خود و استقرار خودکار.

  • متخصصان DevOps به دنبال ادغام خطوط لوله یادگیری ماشین در محیط های تولید هستند.

  • مهندسین نرم افزار در حال انتقال به دامنه MLOps.

  • متخصصان فناوری اطلاعات علاقه مند به استقرار سرتاسر مدل های یادگیری ماشین با پروژه های علم داده در دنیای واقعی هستند.

چرا ثبت نام کنید؟

با ثبت نام در این دوره، تجربه عملی با ابزارها و تکنیک های پیشرفته که امروزه در صنعت مورد استفاده قرار می گیرند به دست خواهید آورد. چه یک متخصص علوم داده باشید و چه مبتدی که به دنبال گسترش مجموعه مهارت‌های خود هستید، این دوره شما را در پروژه‌های دنیای واقعی راهنمایی می‌کند و تضمین می‌کند که دانش عملی مورد نیاز برای اجرای موفقیت‌آمیز گردش‌های کاری MLOps را به دست آورید.

اکنون ثبت نام کنید و مهارت های علم داده خود را با MLO به سطح بعدی ارتقا دهید!


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

ویرایشگرهای IDE و کد که می توانید استفاده کنید IDE's And Code Editors You Can Use

  • شروع کار با Google Colab Getting Started With Google Colab

  • شروع کار با Github Codespace Getting Started With Github Codespace

  • آناکوندا و نصب کد VS Anaconda And VS Code Installation

پیش نیازهای پایتون Python Prerequisites

  • شروع با کد VS و محیط Getting Started With VS Code And Environment

  • مبانی پایتون - نحو و معناشناسی Python Basics-Syntax and Semantics

  • متغیرها در پایتون Variables In Python

  • انواع داده های پایه Basics Data Types

  • عملگرها در پایتون Operators In Python

  • عبارات شرطی در پایتون Conditional Statements In Python

  • حلقه ها در پایتون Loops In Python

  • نمونه های عملی از لیست Practical Examples Of List

  • مجموعه در پایتون Sets In Python

  • تاپل ها در پایتون Tuples In Python

  • دیکشنری ها در پایتون Dictionaries In Python

  • توابع در پایتون Functions In Python

  • مثال های تابع پایتون Python Function Examples

  • توابع لامبدا در پایتون Lambda Functions In Python

  • توابع نقشه در پایتون Map functions In Python

  • تابع فیلتر پایتون Python Filter Function

  • وارد کردن ماژول ها و بسته ها در پایتون Import Modules And Packages In Python

  • نمای کلی کتابخانه استاندارد Standard Library Overview

  • عملیات فایل در پایتون File Operation In Python

  • کار با مسیرهای فایل Working With File Paths

  • مدیریت استثنا در پایتون Exception Handling In Python

  • OOPS در پایتون OOPS In Python

  • وراثت در پایتون Inheritance In Python

  • چند شکلی در پایتون Polymorphism In Python

  • کپسوله سازی در پایتون Encapsulation In Python

  • انتزاع در پایتون Abstraction In Python

  • روش های جادویی در پایتون Magic Methods In Python

  • استثنای سفارشی در پایتون Custom Exception In Python

  • بارگذاری بیش از حد اپراتور در پایتون Operator OverLoading In Python

  • تکرار کننده ها در پایتون Iterators In Python

  • ژنراتورها در پایتون Generators In Python

  • دکوراتورها در پایتون Decorators In Python

  • کار با Numpy در پایتون Working With Numpy In Python

  • Pandas DataFrame And Series Pandas DataFrame And Series

  • دستکاری و تجزیه و تحلیل داده ها Data Manipulation And Analysis

  • خواندن منبع داده Data Source Reading

  • ورود به پایتون Logging In Python

  • ورود به سیستم با چندین لاگر Logging With Multiple Loggers

  • نمونه هایی از ورود به سیستم واقعی Logging In a Real World Examples

آموزش کامل فلاسک Complete Flask Tutorial

  • مقدمه ای بر چارچوب فلاسک Introduction To Flask Framework

  • درک یک نمونه برنامه فلاسک Understanding A Sample Flask Application

  • ادغام HTML با Flask Framework Integrating HTML With Flask Framework

  • افعال HTTP Get And Post HTTP Verbs Get And Post

  • ساخت آدرس پویا با Jinja 2 Building Dynamic Url With Jinja 2

  • Delete و API را در Flask قرار دهید Put Delete And API's In Flask

Git و Github Git and Github

  • شروع کار با Git و Github Getting Started With Git And Github

  • بخش 2- Git Merge، Push، Checkout و Log با دستورات Part 2- Git Merge,Push, Checkout And Log With Commands

  • قسمت 3- حل تعارض ادغام شاخه Git Part 3- Resolving Git Branch Merge Conflict

آموزش های MLFLOW را کامل کنید Complete MLFLOW Tutorials

  • مقدمه ای بر MLFLOW Introduction To MLFLOW

  • شروع کار با MLFLOW Getting Started With MLFLOW

  • ایجاد محیط MLFLOW Creating MLFLOW Environment

  • شروع کار با سرور ردیابی MLFLow Getting Started With MLFLow Tracking Server

  • غواصی عمیق در آزمایشات MLFlow Deep Diving Into MLFlow Experiments

  • شروع کار با پروژه MLFlow ML Getting Started With MLFlow ML Project

  • اولین پروژه ML با MLFLOW First ML Project With MLFLOW

  • استنتاج مصنوعات مدل با استنباط MLFlow Inferencing Model Artifacts With MLFlow Inferencing

  • ردیابی رجیستری مدل MLFLOW MLFLOW Model Registry Tracking

ادغام پروژه ML با ردیابی MLFLOW ML Project Integration With MLFLOW Tracking

  • پیش بینی قیمت خانه آماده سازی داده ها Data Preparation House Price Prediction

  • ساخت مدل و ردیابی MLFLOW Model Building And MLFLOW Tracking

ادغام ساختمان مدل ANN یادگیری عمیق با MLFLOW Deep Learning ANN Model Building Integration With MLFLOW

  • ANN با MLFLOW- قسمت 1 ANN With MLFLOW- Part 1

  • ANN با MLFLOW-Part 2 ANN with MLFLOW-Part 2

شروع کار با DVC- Data Version Control Getting Started With DVC- Data Version Control

  • مقدمه ای بر DVC با پیاده سازی عملی Introduction To DVC With Practical Implementation

شروع کار با Dagshub Getting Started With Dagshub

  • مقدمه ای بر مخزن راه دور Dagshub Introduction To Dagshub Remote Repository

  • ایجاد اولین مخزن از راه دور با استفاده از Dagshub Creating First Remote Repo Using Dagshub

  • DVC با مخزن از راه دور Dagshub DVC With Dagshub Remote Repository

خط لوله یادگیری ماشینی پایان به انتها با استفاده از GIT، DVC، MLFLOW و DAGSHUB End To End Machine Learning Pipeline Using GIT, DVC,MLFLOW And DAGSHUB

  • شروع کار با ساختار پروژه Getting Started With Project Structure

  • اجرای خط لوله پیش پردازش داده ها Implemeting Data Preprocessing Pipeline

  • پیاده سازی خط لوله آموزشی مدل با راه اندازی MLFLOW Implementing Model Training Pipeline with MLFLOW Setup

  • ردیابی آزمایش MLFLOW در Dagshub MLFLOW Experiment Tracking In Dagshub

  • خط لوله ارزیابی ML با MLFLOW ML Evaluation Piepline With MLFLOW

  • خط لوله کامل را با DVC Stage و Repro اجرا کنید Run The Complete Pipeline With DVC Stage And Repro

MLFLOW با AWS Cloud MLFLOW With AWS Cloud

  • مقدمه ای بر MLFLOW در AWS Introduction To MLFLOW In AWS

  • راه اندازی پروژه MLFLOW با نصب MLFLOW Project Set Up With Installation

  • اجرای پروژه پایان به پایان با MLFLOW Implementing The End To End Project With MLFLOW

  • راه اندازی سطل AWS Cloud EC2، IAM، S3 AWS Cloud EC2,IAM,S3 Bucket Set Up

  • AWS EC2 Instance- Setting MLFLOW Tracking Server AWS EC2 Instance- Setting MLFLOW Tracking Server

کامل Basic To Advance Dockers Complete Basic To Advance Dockers

  • مقدمه ای بر سری Docker Introduction To Docker Series

  • Dockers And Container چیست؟ What are Dockers And Containers

  • تصاویر داکر در مقابل کانتینرها Docker Images vs Containers

  • داکرها در مقابل ماشین های مجازی Dockers vs Virtual Machines

  • نصب Dockers Dockers Installation

  • ایجاد یک تصویر داکر Creating A Docker Image

  • دستورات پایه داکر Docker Basic Commands

  • تصویر Docker را به Docker Hub فشار دهید Push Docker Image To Docker Hub

  • Docker Compose Docker Compose

شروع کار با جریان هوا Getting Started With Airflow

  • مقدمه ای بر جریان هوای آپاچی Introduction To Apache Airflow

  • اجزای کلیدی جریان هوای آپاچی Key Components Of Apache Airflow

  • چرا جریان هوا برای MLOPS Why Airflow For MLOPS

  • تنظیم جریان هوا با Astro Setting Up Airflow With Astro

  • ساختن اولین DAG خود با جریان هوا Building Your First DAG With Airflow

  • طراحی محاسبات ریاضی DAG با جریان هوا Designing Mathematical Calculation DAG With Airflow

  • شروع به کار با TaskFlow API با استفاده از Apache Airflow Getting Started With TaskFlow API Using Apache Airflow

خط لوله ETL جریان هوا با ادغام Postgres و API در ASTRO Cloud و AWS Airflow ETL Pipeline with Postgres and API Integration In ASTRO Cloud And AWS

  • مقدمه ای بر خط لوله ETL Introduction To ETL Pipeline

  • بیانیه مشکل ETL و تنظیم ساختار پروژه ETL Problem Statement And Project Structure Set Up

  • تعریف ETL DAG با مراحل پیاده سازی Defining ETL DAG With Implementing Steps

  • مرحله 1- راه اندازی Postgres و ایجاد Task Table در Postgres Step 1- Setting Up Postgres And Creating Table Task In Postgres

  • مرحله 2- ادغام API ناسا با خط لوله استخراج Step 2- NASA API Integration With Extract Pipeline

  • مرحله 3- خط لوله انتقال و بارگذاری ساختمان Step 3- Building Transformation And Load Pipeline

  • اجرای نهایی خط لوله ETL با راه اندازی اتصال AirFlow ETL Pipeline Final Implementation With AirFlow Connection Set Up

  • استقرار خط لوله ETL در Astro Cloud و AWS ETL Pipeline Deployment In Astro Cloud And AWS

مقدمه ای بر اقدامات Github Introduction To Github Actions

  • Github Action و CI CD Pipeline چیست؟ What is Github Action and CI CD Pipeline

  • گردش کار توسعه دهندگان با مثال چیست؟ What is Developers Workflow With Examples

  • عملی - گردش کار تست خودکار با پایتون Practicals-Automate Testing Workflow With Python

پروژه گردش کار اکشن Github با Dockerhub End To End Github Action Workflow Project With Dockerhub

  • پروژه گردش کار اکشن Github با داکر هاب Github Action Workflow Project with Docker hub

  • تنظیم ساختار پروژه با Github Repo Setting Project Structure With Github Repo

  • راه اندازی مخزن Github Setting Up Github Repository

  • اجرای پروژه با فلاسک و داکر Implementing Project With Flask And Dockers

  • ساخت فایل Yaml برای Dockers Building the Yaml file for Dockers

شروع به کار با اولین پروژه علم داده پایان به پایان با استقرار Getting Started With Your First End To End Data Science Project With Deployment

  • ساختار پروژه، مخزن Github و تنظیم محیط Project Structure, Github Repo And Environment Set Up

  • پیاده سازی ثبت سفارشی Custom Logging Implementation

  • پیاده سازی توابع مشترک Utilities Common Utilities Functions Implementation

  • گام به گام ساخت خط لوله انتقال داده - قسمت 1 Step By Step Building Data Ingestion Pipeline- Part 1

  • خط لوله انتقال داده - قسمت 2 Data Ingestion Pipeline-Part 2

  • اجرای کامل خط لوله اعتبارسنجی داده ها Complete Data Validation Pipeline Implementation

  • اجرای کامل خط لوله انتقال داده Complete Data Transformation Pipeline Implementation

  • پیاده سازی خط لوله ترینر مدل Model Trainer Pipeline Implementation

  • اجرای خط لوله ارزیابی مدل Model Evaluation Pipeline Implementation

  • خط لوله آموزش و پیش بینی با اپلیکیشن Flask Training And Prediction Pipeline With Flask App

پایان به پایان پروژه های MLOPS با خطوط لوله ETL- ساخت سیستم امنیت شبکه End To End MLOPS Projects With ETL Pipelines- Building Network Security System

  • تنظیم ساختار پروژه با محیط Project Structure Set up With Environment

  • راه اندازی مخزن Github با کد VS Github Repository Set Up With VS Code

  • بسته بندی پروژه با Setup.py Packaging the Project With Setup.py

  • ثبت و اجرای مدیریت استثنا Logging And Exception Handling Implementation

  • مقدمه ای بر خطوط لوله ETL Introduction To ETL Pipelines

  • راه اندازی MongoDb Atlas Setting Up MongoDb Atlas

  • راه اندازی خط لوله ETL با پایتون ETL Pipeline Setup With Python

  • معماری جذب داده ها Data Ingestion Architecture

  • پیاده‌سازی پیکربندی داده‌ها Implementing Data Ingestion Configuration

  • پیاده سازی مولفه بلع داده ها Implementing Data Ingestions Component

  • پیاده سازی اعتبارسنجی داده ها - قسمت 1 Implementing Data Validation-Part 1

  • پیاده سازی اعتبارسنجی داده ها - قسمت 2 Implementing Data Validation- Part 2

  • معماری تبدیل داده ها Data Transformation Architecture

  • پیاده سازی تبدیل داده ها Data Transformation Implementation

  • ترینر مدل-قسمت 1 Model Trainer-Part 1

  • ترینر مدل و ارزیابی با تنظیم فراپارامتر Model Trainer And Evaluation With Hyperparameter Tuning

  • مدل ردیاب آزمایشی با MLFlow Model Experiment Tracker With MLFlow

  • ردیابی آزمایش MLFLOW با مخزن از راه دور Dagshub MLFLOW Experiment Tracking With Remote Respository Dagshub

  • پیاده سازی مدل Pusher Model Pusher Implementation

  • پیاده سازی خط لوله آموزشی مدل Model Training Pipeline Implementation

  • اجرای خط لوله پیش بینی دسته ای Batch Prediction Pipeline Implementation

  • مدل نهایی And Artifacts Pusher به سطل های AWS S3 Final Model And Artifacts Pusher To AWS S3 buckets

  • Building Docker Image and Github Actions Building Docker Image And Github Actions

  • Github Action-Docker Image Push به AWS ECR Repo Implementation Github Action-Docker Image Push to AWS ECR Repo Implementation

  • استقرار نهایی در نمونه EC2 Final Deployment To EC2 instance

اجرای پروژه DS با چند AWS، استقرار Azure End To End DS Project Implementation With Mulitple AWS,Azure Deployment

  • Github و تنظیم کد Github And Code Setup

  • ثبت و استثناء ساختار پروژه Project structure Logging And Exception

  • بیان مسئله پروژه EDA و آموزش مدل Project Problem Statement EDA And Model Training

  • پیاده سازی داده ها Data Ingestion Implementation

  • پیاده سازی تبدیل داده ها Data Transformation Implementation

  • پیاده سازی مربی مدل Model Trainer Implementation

  • اجرای تنظیم هایپرپارامتر Hyperparameter Tuning Implementation

  • خط لوله پیش بینی ساختمان Building Prediction Pipeline

  • استقرار AWS Beanstalk Deployment AWS Beanstalk

  • استقرار در نمونه EC2 Deployment In EC2 Instance

  • استقرار در برنامه وب Azure Deployment In Azure Web App

پروژه NLP پایان به پایان با HuggingFace و ترانسفورماتورها End To End NLP Project With HuggingFace And Transformers

  • مقدمه ای بر صورت در آغوش گرفتن و بیان مشکل Introduction To Huggingface And Problem Statement

  • Github Repo و راه اندازی ساختار پروژه Github Repo And Project Structure Set up

  • Logging و Utils از عملکردهای مشترک Logging And Utils Common Functionalities

  • تنظیم دقیق مدل‌های صورت در آغوش گرفته در Google Colab Finetuning HuggingFace Models In Google Colab

  • اجرای بلع داده - قسمت 1 Data Ingestion Implementation- Part 1

  • اجرای بلع داده - قسمت 2 Data Ingestion Implementation- Part 2

  • پیاده سازی تبدیل داده ها Data Transformation Implementation

  • پیاده سازی مربی مدل Model Trainer Implementation

  • پیاده سازی ارزیابی مدل Model Evaluation Implementation

  • خط لوله پیش بینی و یکپارچه سازی API Prediction Pipeline And API Integration

ساخت، آموزش، استقرار و ایجاد نقاط پایانی برای پروژه ML با استفاده از AWS Sagemaker Build, Train ,Deploy And Create Endpoints For ML Project Using AWS Sagemaker

  • معرفی AWS Sagemaker Amd Project Set up Introduction To AWS Sagemaker Amd Project Set up

  • راه اندازی EDA، AWS IAM، S3 با استفاده از داده ها EDA,AWS IAM, S3 Set up With Data Ingestion

  • پیاده سازی اسکریپت آموزشی برای AWS Sagemaker Implementing Training Script For AWS Sagemaker

  • آموزش با یک نمونه در محل در AWS Sagemaker Training With An On Spot Instance In AWS Sagemaker

  • استقرار نقطه پایانی با AWS Sagemaker و استنتاج Deployment Of Endpoint With AWS Sagemaker And Inferencing

Grafana-ابزار منبع باز برای تجسم و نظارت داده ها Grafana-Open Source Tool For Data Visualization And Monitoring

  • مقدمه ای بر ابزار متن باز Grafana Introduction To Grafana Open Source Tool

  • تنظیم و بیان مشکل Grafana Cloud Grafana Cloud Set Up And Problem Statement

  • پیاده سازی تجسم با Grafana Cloud و Postgresql در AWS Visualization Implementation With Grafana Cloud And Postgresql In AWS

سری مولد AI با AWS LLMOPS Generative AI Series With AWS LLMOPS

  • چرخه حیات پروژه‌های هوش مصنوعی در فضای ابری LifeCycle Of Gen AI Projects In Cloud

  • برنامه هوش مصنوعی مولد نسل وبلاگ با استفاده از AWS Lambda و Bedrock Blog Generation Generative AI App Using AWS Lambda And Bedrock

  • استقرار مدل HuggingFace LLM در AWS Sagemaker Deployment Of HuggingFace LLM Model In AWS Sagemaker

  • پایان به پایان برنامه GENAI با استفاده از NVIDIA NIM End To End GENAI App Using NVIDIA NIM

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش Bootcamp MLOps را با بیش از 10 پروژه پایان به پایان ML کامل کنید
جزییات دوره
51 hours
180
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,159
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Krish Naik Krish Naik

مهندس ارشد هوش مصنوعی

KRISHAI Technologies Private Limited KRISHAI Technologies Private Limited

مهندس هوش مصنوعی و یادگیری ماشین