نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
امتحان تمرینی گنجانده شده است! آزمون کارشناسی ارشد MLA-C01/ME1-C01 AWS مهندس یادگیری ماشین: مهارت های SageMaker، بستر و هوش مصنوعی. با اطمینان برای آزمون کاردانی مهندسی یادگیری ماشین گواهی شده AWS آماده شوید. خدمات کلیدی یادگیری ماشین AWS مانند SageMaker، Bedrock و غیره را درک کرده و به کار ببرید. آماده سازی داده ها، مهندسی ویژگی ها و اعتبارسنجی داده ها را برای مدل های ML انجام دهید. بر تنظیم هایپرپارامتر، آموزش مدل و استراتژی های استقرار در AWS مسلط شوید. پیاده سازی خطوط لوله CI/CD و اتوماسیون برای گردش کار یادگیری ماشینی مقیاس پذیر. زیرساختهای AWS ML را ایمن، نظارت و بهینهسازی کنید تا عملکرد و کارایی آن بهینه شود. پیش نیازها: این دوره برای افرادی با حداقل یک سال تجربه استفاده از Amazon SageMaker و سایر خدمات AWS برای یادگیری ماشین ایده آل است. پیشینه ای در مهندسی داده، DevOps یا توسعه نرم افزار، همراه با درک اولیه از الگوریتم های یادگیری ماشین و زیرساخت ابری توصیه می شود.
برای دانش خود در مورد یادگیری ماشین در AWS توسط آمازون گواهی دریافت کنید! خود را برای دریافت یکی از چالش برانگیزترین گواهینامه ها در حوزه ابری آماده کنید - آزمون کاردانی مهندس یادگیری ماشین گواهی شده AWS! چه یک توسعه دهنده باطن، مهندس داده یا دانشمند داده باشید، این دوره جامع دروازه موفقیت شماست.
چرا این دوره؟
این دوره به طور ماهرانه توسط کهنهکاران صنعت فرانک کین و استفان مارک ساخته شده است، که در مجموع بیش از 3 میلیون دانشآموز را در Udemy آموزش دادهاند. فرانک کین، با بیش از 9 سال تجربه در آمازون، در یادگیری ماشین و هوش مصنوعی تخصص دارد و استفان مارک یک متخصص AWS و مدرس مشهور است. آنها با هم، عمق بی نظیری از دانش را به ارمغان می آورند تا شما را در تمام جنبه های امتحان راهنمایی کنند.
آنچه خواهید آموخت:
خدمات کارشناسی ارشد AWS ML: در آمازون SageMaker، Amazon Bedrock و بسیاری از سرویسهای AWS دیگر مانند Comprehend، Rekognition و Translate که برای امتحان بسیار مهم هستند، غواصی کنید.
آزمایشگاههای عملی: با فعالیتهای عملی، آزمایشگاهها و دموهایی که درک شما را تقویت میکنند و به شما در ایجاد اعتماد به نفس کمک میکنند، تجربه عملی کسب کنید.
امتحان تمرینی و سؤالات تمرینی: یک آزمون تمرینی 20 سؤالی و 110 سؤال مسابقه در طول دوره، دانش شما را به سبکی مشابه امتحان آزمایش می کند
مهندسی ویژگی آمادهسازی داده: نحوه جذب، تبدیل، و اعتبارسنجی دادهها برای مدلسازی ML را بیاموزید، و از یکپارچگی دادهها و آمادگی مدل اطمینان حاصل کنید.
استقرار توسعه مدل: تنظیم هایپرپارامتر، تجزیه و تحلیل عملکرد مدل، و بهترین شیوه ها برای استقرار راه حل های مقیاس پذیر ML در AWS را کاوش کنید.
نظارت بر امنیت: نحوه نظارت بر مدلها و زیرساختهای ML، بهینهسازی هزینهها و ایمنسازی محیط AWS خود را کشف کنید و از انطباق و عملکرد اطمینان حاصل کنید.
چرا ما را انتخاب کنید؟
سابقه اثبات شده: مربیان ما به میلیون ها دانش آموز کمک کرده اند تا به اهداف گواهینامه AWS خود برسند.
تجربه دنیای واقعی: از کارشناسانی که در آمازون کار کردهاند و تجربه گستردهای با خدمات AWS دارند، بیاموزید.
پوشش جامع: این دوره همه چیزهایی را که برای قبولی در امتحان نیاز دارید را پوشش می دهد - از دانش خدمات AWS گرفته تا مباحث پیشرفته یادگیری ماشینی که امتحان شما را در آنها آزمایش خواهد کرد.
چه کسی باید ثبت نام کند؟
این دوره برای هر کسی که آماده شرکت در آزمون کاردانی مهندس یادگیری ماشین گواهی شده AWS است، عالی است. اگر در مورد صدور گواهینامه خود جدی هستید و می خواهید مطمئن شوید که با اطمینان وارد مرکز آزمون می شوید، این دوره برای شما مناسب است.
موفقیت خود را به شانس واگذار نکنید
این گواهینامه سخت است و خطرات آن زیاد است. تا زمانی که به طور کامل آماده نشده اید، صدها دلار در امتحان ریسک نکنید. اکنون ثبت نام کنید و اولین گام را برای تبدیل شدن به یک مهندس آموزش ماشین دارای گواهینامه AWS بردارید!
امروز ثبت نام کنید و سفر خود را به سوی موفقیت در صدور گواهینامه آغاز کنید!
اسم من استفان مارک است، من علاقه زیادی به رایانش ابری دارم و در این دوره مربی شما خواهم بود. من در مورد گواهینامه های AWS آموزش می دهم و بر کمک به دانش آموزانم برای بهبود مهارت های حرفه ای خود در AWS تمرکز می کنم.
من قبلاً به بیش از 2,500,000 دانشآموز آموزش دادهام و بیش از 800,000 نظر در طول حرفهام در طراحی و ارائه این گواهیها و دورهها دریافت کردهام!
با تبدیل شدن AWS به مرکز معماری مدرن فناوری اطلاعات امروز، من تصمیم گرفتم که زمان آن فرا رسیده است که دانشآموزان بیاموزند که چگونه یک متخصص تحلیل داده AWS باشند. بنابراین، بیایید دوره را شروع کنیم! شما در دستان خوبی هستید!
هی، من فرانک کین هستم، و همچنین در حال آموزش این دوره هستم. من خودم MLA-C01 را با موفقیت پشت سر گذاشتم و مطمئن شدم همه چیزهایی که باید بدانید در اینجا وجود دارد. من نه سال به عنوان مهندس ارشد و مدیر ارشد برای آمازون از درون کار کردم و بیشتر به خاطر دوره های پرفروش خود در "داده های بزرگ"، تجزیه و تحلیل داده ها، یادگیری ماشین، هوش مصنوعی، آپاچی اسپارک، طراحی سیستم، شناخته شده ام. و Elasticsearch. من دارای 26 حق ثبت اختراع در زمینه یادگیری ماشین هستم.
من از سال 2015 در Udemy تدریس می کنم، جایی که به بیش از 850000 دانش آموز در سراسر جهان رسیده ام!
من سخت کار کردهام تا این دوره را با آخرین پیشرفتهای یادگیری ماشینی AWS بهروز نگه دارم و مطمئن شوم که برای آخرین نسخه این امتحان آماده هستید. بیایید شیرجه بزنیم و شما را آماده کنیم!
تجزیه و تحلیل مشاغل آموزشی با TensorBoard
Analyzing Training Jobs with TensorBoard
آموزش SageMaker در مقیاس بزرگ: Training Compiler، Warm Pools
SageMaker Training at Large Scale: Training Compiler, Warm Pools
SageMaker Checkpointing، Cluster Health Check، Restart خودکار
SageMaker Checkpointing, Cluster Health Checks, Automatic Restarts
SageMaker کتابخانه های آموزشی توزیع شده و موازی سازی داده های توزیع شده
SageMaker Distributed Training Libraries and Distributed Data Parallelism
کتابخانه موازی مدل SageMaker
SageMaker Model Parallelism Library
آداپتور پارچه ای الاستیک (EFA) و MiCS
Elastic Fabric Adapter (EFA) and MiCS
آزمون: تنظیم مدل، آموزش، و ارزیابی
Quiz: Model Tuning, Training, and Evaluation
مبانی مدل هوش مصنوعی مولد
Generative AI Model Fundamentals
مقدمه: مبانی مدل هوش مصنوعی مولد
Intro: Generative AI Model Fundamentals
معماری ترانسفورماتور
The Transformer Architecture
شبکه های عصبی مبتنی بر توجه و توجه به خود
Self-Attention and Attention-Based Neural Networks
کاربردهای ترانسفورماتورها
Applications of Transformers
ترانسفورماتورهای از پیش آموزش دیده مولد: چگونه کار می کنند، قسمت 1
Generative Pre-Trained Transformers: How they Work, Part 1
ترانسفورماتورهای از پیش آموزش دیده مولد: چگونه کار می کنند، قسمت 2
Generative Pre-Trained Transformers: How they Work, Part 2
شرایط و کنترل های کلیدی LLM (توکن ها، جاسازی ها، دما و غیره)
LLM Key Terms and Controls (tokens, embeddings, temperature, etc.)
تنظیم دقیق و آموزش انتقال با ترانسفورماتورها
Fine-Tuning and Transfer Learning with Transformers
آزمایشگاه: رمزگذاری و رمزگذاری موقعیت با نوت بوک های SageMaker
Lab: Tokenization and Positional Encoding with SageMaker Notebooks
آزمایشگاه: توجه به خود چند سر، ماسک شده در SageMaker
Lab: Multi-Headed, Masked Self-Attention in SageMaker
آزمایشگاه: استفاده از GPT در نوت بوک SageMaker
Lab: Using GPT within a SageMaker Notebook
AWS Foundation Models و SageMaker JumpStart با Generative AI
AWS Foundation Models and SageMaker JumpStart with Generative AI
آزمایشگاه: استفاده از Amazon SageMaker JumpStart با Huggingface
Lab: Using Amazon SageMaker JumpStart with Huggingface
آزمون: مبانی مدل هوش مصنوعی مولد
Quiz: Generative AI Model Fundamentals
ساخت برنامه های کاربردی هوش مصنوعی با Bedrock
Building Generative AI Applications with Bedrock
مقدمه: ساخت برنامه های کاربردی هوش مصنوعی با Bedrock
Intro: Building Generative AI Applications with Bedrock
ساخت هوش مصنوعی مولد با مدلهای پایه و پایه آمازون
Building Generative AI with Amazon Bedrock and Foundation Models
آزمایشگاه: مدلهای بنیاد چت، متن و تصویر در زمین بازی بستر
Lab: Chat, Text, and Image Foundation Models in the Bedrock Playground
تنظیم دقیق مدلهای سفارشی و پیشآموزش مداوم با بستر
Fine-Tuning Custom Models and Continuous Pre-Training with Bedrock
اصول بازیابی-افزوده شده (RAG) با بستر
Retrieval-Augmented Generation (RAG) Fundamentals with Bedrock
وکتور فروشگاه ها و جاسازی ها با پایگاه های دانش بستر آمازون
Vector Stores and Embeddings with Amazon Bedrock Knowledge Bases
پیاده سازی RAG با پایگاه های دانش آمازون بستر
Implementing RAG with Amazon Bedrock Knowledge Bases
آزمایشگاه: ساخت و پرس و جو یک سیستم RAG با پایگاه های دانش آمازون بستر
Lab: Building and Querying a RAG System with Amazon Bedrock Knowledge Bases
ضمیمه: استراتژی های تکه تکه شدن جدید در بستر
Addendum: New chunking strategies in Bedrock
فیلتر کردن محتوا با نردههای حفاظ بستر آمازون
Content Filtering with Amazon Bedrock Guardrails
آزمایشگاه: ساخت و آزمایش حفاظ ها با آمازون بستر
Lab: Building and Testing Guardrails with Amazon Bedrock
Building LLM Agents/Agentic AI با آمازون Bedrock Agents
Building LLM Agents / Agentic AI with Amazon Bedrock Agents
آزمایشگاه: ساخت یک عامل بستر با گروههای اقدام، پایگاههای دانش، و حفاظها
Lab: Build a Bedrock Agent with Action Groups, Knowledge Bases, and Guardrails
سایر ویژگی های Amazon Bedrock (ارزیابی مدل، استودیو بستر، واترمارک)
Other Amazon Bedrock Features (Model Evaluation, Bedrock Studio, Watermarks)
مسابقه: توسعه برنامه های کاربردی هوش مصنوعی با Bedrock
Quiz: Developing Generative AI Applications with Bedrock
عملیات یادگیری ماشین (MLOps) با AWS
Machine Learning Operations (MLOps) with AWS
مقدمه: MLOps
Intro: MLOps
استقرار گاردریل ها و آزمایش های سایه
Deployment Guardrails and Shadow Tests
جزئیات داخلی SageMaker و انواع تولید
SageMaker's Inner Details and Production Variants
SageMaker On the Edge: SageMaker Neo و IoT Greengrass
SageMaker On the Edge: SageMaker Neo and IoT Greengrass
مدیریت منابع SageMaker: انواع نمونه و آموزش نقطه ای
SageMaker Resource Management: Instance Types and Spot Training
فرانک 9 سال را در آمازون و IMDb گذراند و فناوری را توسعه و مدیریت کرد که به طور خودکار توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه می دهد. زمان. فرانک دارای 17 حق ثبت اختراع صادر شده در زمینه های محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012، فرانک شرکت موفق خود را به نام Sundog Software راه اندازی کرد که بر فناوری محیط واقعیت مجازی تمرکز دارد و به دیگران در مورد تجزیه و تحلیل داده های بزرگ آموزش می دهد.
بنیانگذار ، آموزش Sundog. یادگیری ماشینی ماموریت ProSundog Education این است که مهارتهای شغلی بسیار ارزشمندی را در داده های بزرگ ، علوم داده و یادگیری ماشینی در دسترس همه افراد در جهان قرار دهد. کنسرسیوم مربیان متخصص ما ، دانش ما را در این زمینه های نوظهور با قیمت هایی که هرکس می تواند تحمل کند ، در اختیار شما قرار می دهد.
Sundog Education توسط فرانک کین هدایت می شود و متعلق به شرکت فرانک ، Sundog Software LLC است. فرانک 9 سال را در آمازون و IMDb سپری کرد و فناوری را توسعه داد و به طور مداوم توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه داد. فرانک دارای 17 اختراع ثبت شده در زمینه محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012 ، فرانك رفت و شركت موفق خود ، Sundog Software را كه متمركز بر فناوري محيط واقعيت مجازي است و به ديگران در مورد تجزيه و تحليل داده هاي بزرگ مي پردازد ، راه اندازي كرد.
با توجه به تعداد دانشجویان ما قادر به پاسخگویی به پیامهای خصوصی نیستیم. لطفا سوالات خود را در پرسش و پاسخ دوره خود ارسال کنید. ممنون از اینکه میفهمی.
نمایش نظرات