اپلیکیشن اندرویدی فلش‌کارت آموزشی معماری نرم‌افزار: Designing Machine Learning Pipelines

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری نرم‌افزار: Designing Machine Learning Pipelines

موضوع کلی: برنامه نویسی

موضوع میانی: معماری نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر معماری نرم‌افزار
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. چرخه حیات پروژه‌های یادگیری ماشین
• 4. اهمیت معماری در خطوط لوله یادگیری ماشین
• 5. اصول طراحی خطوط لوله یادگیری ماشین
• 6. اجزای کلیدی خطوط لوله یادگیری ماشین
• 7. مراحل پیش‌پردازش داده‌ها
• 8. جمع‌آوری و بهداشت داده‌ها
• 9. تمیز کردن داده‌ها
• 10. کشف و تشخیص داده‌های پرت
• 11. مقیاس‌بندی و نرمال‌سازی داده‌ها
• 12. مهندسی ویژگی
• 13. انتخاب ویژگی
• 14. تبدیل ویژگی
• 15. ایجاد ویژگی‌های جدید
• 16. مدیریت داده‌های گمشده
• 17. بخش‌بندی داده‌ها (آموزش، اعتبارسنجی، تست)
• 18. انتخاب مدل یادگیری ماشین
• 19. انواع مدل‌های یادگیری ماشین
• 20. معیارهای ارزیابی مدل
• 21. آموزش مدل
• 22. تنظیم هایپرپارامترها
• 23. اعتبارسنجی مدل
• 24. تفسیرپذیری مدل
• 25. استقرار مدل
• 26. نظارت بر مدل
• 27. نگهداری مدل
• 28. معماری‌های سرویس‌گرا (SOA)
• 29. معماری میکروسرویس
• 30. مزایا و معایب میکروسرویس‌ها
• 31. ملاحظات طراحی برای میکروسرویس‌ها
• 32. الگوهای معماری میکروسرویس
• 33. API Gateway
• 34. Service Discovery
• 35. Circuit Breaker
• 36. Event-Driven Architecture
• 37. Publish-Subscribe Pattern
• 38. Message Queues
• 39. Stream Processing
• 40. Data Pipelines
• 41. ETL vs. ELT
• 42. Data Lakes
• 43. Data Warehouses
• 44. Feature Stores
• 45. Model Registries
• 46. MLOps: تعریف و اهداف
• 47. اصول MLOps
• 48. پیاده‌سازی MLOps
• 49. ابزارها و فناوری‌های MLOps
• 50. اتوماسیون در MLOps
• 51. نسخه‌بندی داده‌ها
• 52. نسخه‌بندی کد
• 53. نسخه‌بندی مدل‌ها
• 54. نظارت بر عملکرد مدل
• 55. تشخیص افت عملکرد مدل
• 56. بازآموزی مدل
• 57. استقرار و مدیریت مداوم مدل
• 58. CI/CD برای یادگیری ماشین
• 59. پایپ‌لاین‌های CI/CD
• 60. تست در MLOps
• 61. تست واحد در خطوط لوله ML
• 62. تست ادغام در خطوط لوله ML
• 63. تست پذیرش در خطوط لوله ML
• 64. تست توزیع داده
• 65. تست مدل
• 66. تست در زمان اجرا
• 67. امنیت در خطوط لوله یادگیری ماشین
• 68. امنیت داده‌ها
• 69. امنیت مدل‌ها
• 70. امنیت زیرساخت
• 71. مدیریت دسترسی
• 72. حریم خصوصی داده‌ها
• 73. قوانین و مقررات مربوط به داده‌ها
• 74. مدیریت هزینه‌ها و مقیاس‌پذیری
• 75. انتخاب زیرساخت ابری
• 76. خدمات ابری برای MLOps
• 77. مدیریت منابع
• 78. بهینه‌سازی هزینه‌ها
• 79. مقیاس‌پذیری افقی و عمودی
• 80. طراحی خطوط لوله برای تحمل خطا
• 81. سیستم‌های توزیع شده
• 82. پردازش موازی
• 83. سیستم‌های توزیع شده برای ML
• 84. Apache Spark
• 85. Apache Flink
• 86. Kubernetes برای MLOps
• 87. Docker برای MLOps
• 88. Orchestration Tools
• 89. TensorFlow Extended (TFX)
• 90. Kubeflow
• 91. MLflow
• 92. Airflow
• 93. DAGs (Directed Acyclic Graphs)
• 94. پیاده‌سازی خطوط لوله داده با Airflow
• 95. پیاده‌سازی خطوط لوله ML با Kubeflow
• 96. پایپ‌لاین‌های TFX
• 97. ملاحظات عملی در طراحی خطوط لوله
• 98. مستندسازی خطوط لوله
• 99. عیب‌یابی خطوط لوله
• 100. نظارت و هشداردهی