دوره مهندسی استقرار مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی استقرار مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate)

موضوع کلی: مهندسی نرم‌افزار و سیستم‌های ابری

موضوع میانی: اتوماسیون استقرار و مدیریت زیرساخت ابری

📋 سرفصل‌های دوره

• 1. مبانی مهندسی نرم‌افزار و یادگیری ماشین
• 2. مقدمه‌ای بر سیستم‌های ابری و AWS
• 3. معماری خدمات AWS برای یادگیری ماشین
• 4. اصول مهندسی استقرار (Deployment Engineering)
• 5. چرخه حیات توسعه نرم‌افزار (SDLC)
• 6. مفاهیم کلیدی DevOps
• 7. مقدمه‌ای بر اتوماسیون استقرار
• 8. ابزارهای اتوماسیون استقرار
• 9. مدیریت پیکربندی (Configuration Management)
• 10. زیرساخت به عنوان کد (Infrastructure as Code - IaC)
• 11. مبانی AWS CloudFormation
• 12. نوشتن قالب‌های CloudFormation
• 13. استقرار منابع AWS با CloudFormation
• 14. مدیریت وضعیت CloudFormation
• 15. عیب‌یابی CloudFormation
• 16. معرفی AWS OpsWorks
• 17. استفاده از Chef و Puppet در OpsWorks
• 18. استقرار برنامه‌های کاربردی با OpsWorks
• 19. مدیریت چرخه حیات برنامه‌های کاربردی
• 20. مقدمه‌ای بر AWS Elastic Beanstalk
• 21. استقرار برنامه‌های وب با Elastic Beanstalk
• 22. پیکربندی محیط‌های Elastic Beanstalk
• 23. مدیریت انتشار با Elastic Beanstalk
• 24. نظارت و لاگ‌برداری در Elastic Beanstalk
• 25. مبانی AWS Systems Manager
• 26. مدیریت پارچه‌ها (Patch Management)
• 27. اجرای دستورات از راه دور با Systems Manager
• 28. مدیریت وضعیت با State Manager
• 29. استفاده از Run Command در Systems Manager
• 30. مقدمه‌ای بر AWS CodePipeline
• 31. طراحی پایپ‌لاین CI/CD
• 32. اتصال مخازن کد به CodePipeline
• 33. ساخت و آزمایش خودکار با CodeBuild
• 34. استقرار با CodeDeploy
• 35. مراحل پایپ‌لاین CodePipeline
• 36. مدیریت انتشارات (Releases) در CodePipeline
• 37. نظارت بر پایپ‌لاین‌های CI/CD
• 38. مبانی AWS CodeCommit
• 39. مدیریت مخازن کد در CodeCommit
• 40. استفاده از Git با CodeCommit
• 41. مبانی AWS CodeBuild
• 42. پیکربندی محیط‌های ساخت CodeBuild
• 43. اجرای تست‌های واحد با CodeBuild
• 44. ساخت ایمیج‌های کانتینر با CodeBuild
• 45. مبانی AWS CodeDeploy
• 46. استقرار برنامه‌های کاربردی در EC2
• 47. استقرار برنامه‌های کاربردی در ECS
• 48. استقرار برنامه‌های کاربردی در Lambda
• 49. استراتژی‌های استقرار (Blue/Green, Canary)
• 50. استقرار به روش Blue/Green
• 51. استقرار به روش Canary
• 52. مدیریت ترافیک با Elastic Load Balancing
• 53. موازنه بار (Load Balancing)
• 54. تنظیمات Listener و Target Group
• 55. بررسی سلامت (Health Checks)
• 56. استقرار مدل‌های یادگیری ماشین
• 57. مقدمه‌ای بر AWS SageMaker
• 58. استقرار مدل‌های یادگیری ماشین در SageMaker
• 59. ساخت Endpoints برای مدل‌ها
• 60. مدیریت نسخه‌های مدل در SageMaker
• 61. استقرار مدل‌های چندگانه (Multi-Model Endpoints)
• 62. کالیبراسیون و تنظیم مدل‌ها
• 63. نظارت بر عملکرد مدل‌های مستقر
• 64. مانیتورینگ داده‌های ورودی و خروجی
• 65. تشخیص انحراف داده (Data Drift)
• 66. تشخیص انحراف مدل (Model Drift)
• 67. استفاده از AWS CloudWatch برای مانیتورینگ
• 68. تنظیم آلارم‌ها در CloudWatch
• 69. ثبت لاگ‌ها (Logging) در سیستم‌های ابری
• 70. تحلیل لاگ‌ها با CloudWatch Logs Insights
• 71. استفاده از AWS X-Ray برای ردیابی
• 72. ردیابی درخواست‌ها در سیستم‌های توزیع‌شده
• 73. مدیریت امنیت در استقرار
• 74. اصول کمترین امتیاز (Least Privilege)
• 75. مدیریت هویت و دسترسی (IAM)
• 76. نقش‌ها و سیاست‌های IAM
• 77. کلیدهای دسترسی و گواهی‌نامه‌ها
• 78. امنیت شبکه‌های VPC
• 79. گروه‌های امنیتی (Security Groups)
• 80. لیست‌های کنترل دسترسی شبکه (NACLs)
• 81. رمزنگاری داده‌ها در حال انتقال و ذخیره‌سازی
• 82. استفاده از AWS KMS برای مدیریت کلیدها
• 83. مدیریت هزینه‌ها در AWS
• 84. نظارت بر مصرف منابع
• 85. بهینه‌سازی هزینه‌ها
• 86. استراتژی‌های کاهش هزینه
• 87. مقدمه‌ای بر کانتینرسازی
• 88. مبانی Docker
• 89. ساخت Dockerfile
• 90. اجرای کانتینرها
• 91. مقدمه‌ای بر Amazon ECS
• 92. مفاهیم Task Definition و Service
• 93. استقرار برنامه‌ها در ECS
• 94. مقدمه‌ای بر Amazon EKS
• 95. مبانی Kubernetes
• 96. استقرار برنامه‌ها در EKS
• 97. استفاده از Helm برای مدیریت بسته‌ها
• 98. پایپ‌لاین‌های CI/CD برای کانتینرها
• 99. مقدمه‌ای بر Serverless Computing
• 100. مبانی AWS Lambda