دوره استقرار زیرساخت‌های یادگیری ماشین در AWS برای مهندسان همکار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار زیرساخت‌های یادگیری ماشین در AWS برای مهندسان همکار

موضوع کلی: مهندسی نرم‌افزار و زیرساخت ابری

موضوع میانی: استقرار و مدیریت برنامه‌های کاربردی در محیط ابری

📋 سرفصل‌های دوره

• 1. مبانی ابری و مفاهیم پایه
• 2. معرفی سرویس‌های AWS برای یادگیری ماشین
• 3. انتخاب سرویس‌های مناسب AWS برای استقرار مدل‌های ML
• 4. مدیریت هویت و دسترسی (IAM) در AWS
• 5. مبانی شبکه‌سازی در AWS (VPC, Subnets, Security Groups)
• 6. استقرار مدل‌های ML با Amazon SageMaker
• 7. مقدمه‌ای بر SageMaker Endpoints
• 8. انواع Endpoints در SageMaker (Real-time, Batch Transform)
• 9. تنظیمات و پیکربندی SageMaker Endpoints
• 10. استقرار مدل‌های ML با استفاده از کانتینرها
• 11. Amazon Elastic Container Service (ECS) برای استقرار
• 12. Amazon Elastic Kubernetes Service (EKS) برای استقرار
• 13. مزایای استفاده از کانتینرها برای استقرار ML
• 14. انتخاب بین ECS و EKS
• 15. استقرار مدل‌های ML با استفاده از AWS Lambda
• 16. مفاهیم Serverless و Lambda
• 17. مزایا و محدودیت‌های Lambda برای استقرار ML
• 18. اتصال Lambda به SageMaker
• 19. مدیریت داده‌ها در محیط ابری
• 20. Amazon S3 برای ذخیره‌سازی داده‌ها
• 21. Amazon RDS برای پایگاه‌های داده رابطه‌ای
• 22. Amazon DynamoDB برای پایگاه‌های داده NoSQL
• 23. ملاحظات امنیتی در ذخیره‌سازی و دسترسی به داده‌ها
• 24. پشتیبان‌گیری و بازیابی داده‌ها در AWS
• 25. استقرار و مدیریت زیرساخت‌های ML
• 26. استفاده از AWS CloudFormation برای زیرساخت به عنوان کد
• 27. مزایای CloudFormation
• 28. نوشتن قالب‌های CloudFormation برای منابع ML
• 29. استفاده از AWS CDK برای زیرساخت به عنوان کد
• 30. مزایای AWS CDK
• 31. نوشتن کد CDK برای منابع ML
• 32. مدیریت چرخه حیات مدل‌های ML
• 33. نسخه‌بندی مدل‌ها در SageMaker
• 34. ردیابی آزمایش‌ها و مدل‌ها با SageMaker Experiments
• 35. ثبت و مانیتورینگ مدل‌های مستقر شده
• 36. استفاده از Amazon CloudWatch برای مانیتورینگ
• 37. تنظیم هشدارها در CloudWatch
• 38. مانیتورینگ عملکرد مدل‌های ML
• 39. شناسایی انحراف داده‌ها (Data Drift)
• 40. شناسایی انحراف مدل (Model Drift)
• 41. استراتژی‌های بازآموزی مدل‌ها
• 42. استقرار مداوم (Continuous Deployment)
• 43. مفاهیم CI/CD برای ML
• 44. استفاده از AWS CodePipeline و CodeBuild
• 45. یکپارچه‌سازی SageMaker با ابزارهای CI/CD
• 46. امنیت در استقرار ML
• 47. مدیریت اسرار (Secrets Management) با AWS Secrets Manager
• 48. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 49. تنظیمات امنیتی برای SageMaker Endpoints
• 50. کنترل دسترسی به منابع ML
• 51. ملاحظات هزینه‌ای در استقرار ابری
• 52. بهینه‌سازی هزینه‌ها در AWS
• 53. انتخاب انواع نمونه مناسب (Instance Types)
• 54. استفاده از Spot Instances برای کاهش هزینه
• 55. مدیریت هزینه‌ها با AWS Cost Explorer
• 56. استقرار برنامه‌های کاربردی در AWS
• 57. مقدمه‌ای بر AWS Elastic Beanstalk
• 58. استقرار برنامه‌های وب با Elastic Beanstalk
• 59. مدیریت برنامه‌های کاربردی با Elastic Beanstalk
• 60. استقرار برنامه‌های کاربردی با AWS OpsWorks
• 61. استفاده از Chef و Puppet در OpsWorks
• 62. مدیریت زیرساخت با OpsWorks
• 63. معماری‌های رایج استقرار در AWS
• 64. معماری میکروسرویس‌ها
• 65. استفاده از API Gateway
• 66. اتصال سرویس‌ها با SQS و SNS
• 67. معماری‌های مقیاس‌پذیر و با دسترس‌پذیری بالا
• 68. طراحی برای تحمل خطا (Fault Tolerance)
• 69. استراتژی‌های بازیابی از فاجعه (Disaster Recovery)
• 70. بهینه‌سازی عملکرد برنامه‌های کاربردی
• 71. تنظیمات شبکه برای عملکرد بهتر
• 72. استفاده از Amazon ElastiCache برای ذخیره‌سازی موقت
• 73. تکنیک‌های بهینه‌سازی پایگاه داده
• 74. مدیریت لاگ‌ها و تحلیل آن‌ها
• 75. تجمیع لاگ‌ها با CloudWatch Logs
• 76. تحلیل لاگ‌ها با Amazon Athena
• 77. تجسم داده‌ها با Amazon QuickSight
• 78. ملاحظات قانونی و انطباق در AWS
• 79. قوانین حفاظت از داده‌ها در ایران
• 80. انطباق با مقررات داخلی در استفاده از سرویس‌های ابری
• 81. ملاحظات مربوط به انتقال داده‌ها
• 82. رعایت حریم خصوصی کاربران
• 83. استقرار مدل‌های ML با استفاده از SageMaker Batch Transform
• 84. موارد استفاده از Batch Transform
• 85. تنظیم و اجرای Batch Transform
• 86. تحلیل نتایج Batch Transform
• 87. استقرار مدل‌های ML با استفاده از SageMaker Inference Pipelines
• 88. مفهوم Inference Pipelines
• 89. ساخت و استقرار Inference Pipelines
• 90. موارد استفاده از Inference Pipelines
• 91. مدیریت لایه‌های امنیتی در AWS
• 92. AWS WAF برای محافظت از برنامه‌های وب
• 93. AWS Shield برای محافظت در برابر حملات DDoS
• 94. سرویس‌های امنیتی AWS برای داده‌ها
• 95. مقدمه‌ای بر DevSecOps در AWS
• 96. ادغام امنیت در چرخه توسعه نرم‌افزار
• 97. ابزارهای DevSecOps در AWS
• 98. بهینه‌سازی زیرساخت برای یادگیری ماشین
• 99. انتخاب سخت‌افزار مناسب (GPU, Inferentia)
• 100. استفاده از AWS Inferentia برای استنتاج