دوره استقرار، مدیریت و آزمایش مدل‌ها در Azure Machine Learning همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار، مدیریت و آزمایش مدل‌ها در Azure Machine Learning

موضوع کلی: هوش مصنوعی و یادگیری ماشین در عمل

موضوع میانی: پیاده‌سازی و مدیریت مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 2. مفاهیم کلیدی در Azure Machine Learning
• 3. آماده‌سازی محیط Azure ML
• 4. اتصال به فضای کاری Azure ML
• 5. مدیریت مجموعه داده‌ها در Azure ML
• 6. ثبت و مدیریت مجموعه داده‌ها
• 7. آماده‌سازی داده‌ها برای آموزش مدل
• 8. مفاهیم کلیدی در آزمایش مدل
• 9. طراحی آزمایش‌ها در Azure ML
• 10. اجرای آزمایش‌ها و ردیابی نتایج
• 11. مدیریت آزمایش‌ها و مقایسه آن‌ها
• 12. ثبت مدل در Azure ML
• 13. مفاهیم کلیدی در استقرار مدل
• 14. استقرار مدل به عنوان یک سرویس وب
• 15. انواع استقرار مدل (Real-time, Batch)
• 16. استقرار مدل برای پیش‌بینی در زمان واقعی
• 17. استقرار مدل برای پردازش دسته‌ای
• 18. مدیریت نقاط پایانی (Endpoints)
• 19. نظارت بر مدل‌های مستقر شده
• 20. سنجه‌های عملکرد مدل
• 21. عیب‌یابی مدل‌های مستقر شده
• 22. به‌روزرسانی مدل‌های مستقر شده
• 23. مفاهیم کلیدی در مدیریت چرخه عمر مدل (MLOps)
• 24. پایپ‌لاین‌های Azure ML
• 25. اتوماسیون فرآیندهای MLOps
• 26. نسخه‌بندی مدل‌ها و داده‌ها
• 27. کنترل دسترسی و امنیت در Azure ML
• 28. مدیریت منابع محاسباتی در Azure ML
• 29. استفاده از ماشین‌های مجازی برای آموزش
• 30. استفاده از Azure Kubernetes Service (AKS)
• 31. استفاده از Azure Container Instances (ACI)
• 32. بهینه‌سازی هزینه‌ها در Azure ML
• 33. مفاهیم کلیدی در تست مدل
• 34. تست واحد برای مدل‌های یادگیری ماشین
• 35. تست یکپارچه‌سازی برای مدل‌های یادگیری ماشین
• 36. تست عملکرد مدل‌های مستقر شده
• 37. تست امنیتی مدل‌های یادگیری ماشین
• 38. مفاهیم کلیدی در نظارت بر داده‌ها
• 39. نظارت بر انحراف داده‌ها (Data Drift)
• 40. نظارت بر انحراف مدل (Model Drift)
• 41. شناسایی و مدیریت انحراف داده‌ها
• 42. شناسایی و مدیریت انحراف مدل
• 43. بازآموزی خودکار مدل‌ها
• 44. مفاهیم کلیدی در اتوماسیون MLOps
• 45. استفاده از Azure DevOps برای MLOps
• 46. استفاده از GitHub Actions برای MLOps
• 47. پیاده‌سازی CI/CD برای مدل‌های یادگیری ماشین
• 48. مدیریت مخازن کد و مدل
• 49. مدیریت محیط‌های توسعه و استقرار
• 50. استفاده از ابزارهای خط فرمان Azure ML
• 51. برنامه‌نویسی با SDK Azure ML
• 52. اتصال به Azure Blob Storage
• 53. اتصال به Azure Data Lake Storage
• 54. مدیریت هویت و دسترسی (IAM)
• 55. رمزنگاری داده‌ها در Azure ML
• 56. مفاهیم کلیدی در مقیاس‌پذیری
• 57. مقیاس‌بندی آموزش مدل
• 58. مقیاس‌بندی استقرار مدل
• 59. مدیریت منابع با Azure Resource Manager
• 60. استفاده از Azure Functions برای پردازش داده
• 61. استفاده از Azure Logic Apps برای اتوماسیون
• 62. مفاهیم کلیدی در اخلاق هوش مصنوعی
• 63. مسئولیت‌پذیری در هوش مصنوعی
• 64. شفافیت در مدل‌های یادگیری ماشین
• 65. بی‌طرفی در مدل‌های یادگیری ماشین
• 66. امنیت و حریم خصوصی داده‌ها
• 67. مفاهیم کلیدی در هوش مصنوعی مولد
• 68. معرفی مدل‌های زبان بزرگ (LLMs)
• 69. کاربرد LLMs در Azure ML
• 70. استقرار مدل‌های LLM
• 71. مدیریت و نظارت بر LLMs
• 72. مفاهیم کلیدی در اتوماسیون یادگیری ماشین (AutoML)
• 73. استفاده از AutoML برای آموزش مدل
• 74. تنظیمات پیشرفته در AutoML
• 75. مقایسه نتایج AutoML
• 76. مفاهیم کلیدی در یادگیری تقویتی
• 77. مقدمه‌ای بر یادگیری تقویتی
• 78. کاربرد یادگیری تقویتی در Azure ML
• 79. استقرار مدل‌های یادگیری تقویتی
• 80. مفاهیم کلیدی در پردازش زبان طبیعی (NLP)
• 81. کاربرد NLP در Azure ML
• 82. استقرار مدل‌های NLP
• 83. مفاهیم کلیدی در بینایی ماشین (Computer Vision)
• 84. کاربرد بینایی ماشین در Azure ML
• 85. استقرار مدل‌های بینایی ماشین
• 86. مفاهیم کلیدی در تحلیل سری‌های زمانی
• 87. کاربرد تحلیل سری‌های زمانی در Azure ML
• 88. استفاده از مدل‌های سری زمانی
• 89. مفاهیم کلیدی در یادگیری توصیه‌گر
• 90. کاربرد سیستم‌های توصیه‌گر در Azure ML
• 91. پیاده‌سازی سیستم‌های توصیه‌گر
• 92. مفاهیم کلیدی در مدل‌های گراف
• 93. کاربرد مدل‌های گراف در Azure ML
• 94. پیاده‌سازی مدل‌های گراف
• 95. مفاهیم کلیدی در داده‌های نامتعارف
• 96. شناسایی و مدیریت داده‌های نامتعارف
• 97. استفاده از مدل‌ها برای داده‌های نامتعارف
• 98. مفاهیم کلیدی در یادگیری فدرال
• 99. مقدمه‌ای بر یادگیری فدرال
• 100. کاربرد یادگیری فدرال در Azure ML