لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اصول مهندسی داده (Data Engineering Essentials)
- آخرین آپدیت
دانلود Data Engineering Essentials
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شکاف میان دادههای خام و سیستمهای هوش مصنوعی آماده برای محیط عملیاتی (Production) را پر میکند. در سال ۲۰۲۶، ارزش یک مدل یادگیری ماشین با قابلیت اطمینان خط لولههای دادهای (Data Pipelines) که آن را تغذیه میکنند، تعریف میشود. این برنامه آموزشی شما را به یک مهندس آماده برای MLOps تبدیل میکند که قادر به ساخت معماریهای دادهای خودکار، مقیاسپذیر و قابل مشاهده است.
شما با تسلط بر چرخه حیات MLOps شروع خواهید کرد و خواهید آموخت که چرا DevOps سنتی برای چالشهای منحصربهفرد دادهها و رانش مدل (Model Drift) کافی نیست. در بخش فنی، یاد میگیرید که چگونه خط لولههای ETL منعطف را با استفاده از ابزارهای مدرنی مانند Pandas و Polars برای مجموعه دادههای متوسط بسازید و سپس برای پردازشهای توزیعشده به Apache Spark و Dask ارتقا یابید.
این دوره تأکید ویژهای بر استریمینگ آنی (Real-time Streaming) با Apache Kafka و پیادهسازی Feature Storeها برای حل مشکل چالشبرانگیز «تفاوت آموزش و سرویسدهی» (Training-serving skew) دارد. در نهایت، همه این موارد را از طریق ارکستراسیون جریان کاری با استفاده از Airflow و Prefect به هم متصل میکنید تا اطمینان حاصل شود که جریانهای داده شما نه تنها کاربردی، بلکه در سطح صنعتی، خودکار و کاملاً مانیتور شده هستند.
برجستگیهای دوره:
- استک استاندارد صنعت: تجربه عملی با Kafka، Spark، Airflow و Feature Storeها.
- تفکر اولویتمحور تولید: تمرکز بر CI/CD/CT (آموزش مستمر) و حاکمیت داده (Data Governance).
- آزمایشگاههای عملی: هر ماژول با یک پروژه عملی برای ساخت پورتفولیوی حرفهای شما به پایان میرسد.
- تمرکز بر مقیاسپذیری: انتقال از اسکریپتهای محلی پایتون به معماریهای توزیعشده در مقیاس ابری.
سرفصل ها و درس ها
مبانی MLOps
MLOps Fundamentals
معرفی دوره
Course Introduction
شروع به کار با تیم یادگیری ماشین
Getting Started with Machine Learning Team
معرفی مهندس MLOps
Introducing MLOps Engineer
مقایسه DevOps و MLOps
DevOps and MLOps - A Comparison
نمایش نظرات