دوره راهنمای جامع عملیاتی‌سازی مدل‌های هوش مصنوعی با AWS SageMaker همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع عملیاتی‌سازی مدل‌های هوش مصنوعی با AWS SageMaker

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین در فضای ابری (Cloud Machine Learning)

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و نقش آن در توسعه هوش مصنوعی
• 2. آشنایی با محیط کاربری و سرویس‌های AWS SageMaker
• 3. تنظیمات اولیه و مدیریت دسترسی‌ها در کنسول AWS
• 4. معرفی محیط‌های توسعه در SageMaker Studio
• 5. آماده‌سازی داده‌ها برای یادگیری ماشین در فضای ابری
• 6. ذخیره‌سازی و مدیریت داده‌ها در سرویس S3
• 7. پیش‌پردازش داده‌ها با استفاده از SageMaker Data Wrangler
• 8. مهندسی ویژگی‌ها و تبدیل داده‌ها در مقیاس بزرگ
• 9. انتخاب الگوریتم‌های بهینه برای مسائل یادگیری ماشین
• 10. آموزش مدل‌های یادگیری ماشین در محیط SageMaker
• 11. استفاده از الگوریتم‌های داخلی و بهینه‌شده آمازون
• 12. تنظیم ابرپارامترها برای بهبود دقت مدل با Hyperparameter Tuning
• 13. مدیریت منابع محاسباتی و انتخاب نوع نمونه‌های EC2
• 14. آموزش توزیع‌شده مدل‌ها در کلاسترها
• 15. به‌کارگیری نوت‌بوک‌های Jupyter در فضای ابری
• 16. استفاده از Docker برای شخصی‌سازی محیط‌های آموزشی
• 17. استقرار مدل‌ها به عنوان سرویس وب با SageMaker Endpoints
• 18. مدیریت استقرار مدل‌ها در مقیاس تولید
• 19. نظارت بر عملکرد مدل‌ها در زمان اجرا با SageMaker Model Monitor
• 20. تحلیل و عیب‌یابی مدل‌های مستقر شده
• 21. خودکارسازی خط لوله یادگیری ماشین با SageMaker Pipelines
• 22. مدیریت نسخه‌بندی مدل‌ها با Model Registry
• 23. استفاده از SageMaker Experiments برای پیگیری آزمایش‌ها
• 24. بهینه‌سازی مدل‌ها برای کاهش تأخیر و هزینه
• 25. امنیت و رمزنگاری داده‌ها در پلتفرم SageMaker
• 26. پیاده‌سازی شبکه‌های خصوصی و امنیت شبکه در VPC
• 27. مدیریت هزینه‌ها و بودجه‌بندی در پروژه‌های هوش مصنوعی
• 28. استفاده از SageMaker Clarify برای تحلیل سوگیری و تفسیرپذیری
• 29. پیاده‌سازی یادگیری تقویتی در فضای ابری
• 30. به‌کارگیری مدل‌های پیش‌آموزش‌دیده در JumpStart
• 31. یکپارچه‌سازی SageMaker با سایر سرویس‌های AWS
• 32. استفاده از SageMaker Neo برای بهینه‌سازی مدل در لبه (Edge)
• 33. مدیریت چرخه‌حیات مدل‌های هوش مصنوعی (MLOps)
• 34. ارزیابی مدل‌های هوش مصنوعی بر اساس شاخص‌های استاندارد
• 35. پیاده‌سازی سیستم‌های توصیه‌گر در بستر ابری
• 36. پردازش زبان طبیعی با استفاده از ابزارهای SageMaker
• 37. بینایی ماشین و تحلیل تصاویر در فضای ابری
• 38. مقیاس‌پذیری خودکار مدل‌ها در زمان اوج ترافیک
• 39. پشتیبانی از مدل‌های بزرگ زبانی (LLM) در SageMaker
• 40. اخلاق در هوش مصنوعی و رعایت استانداردهای حریم خصوصی
• 41. مستندسازی پروژه‌های یادگیری ماشین در محیط ابری
• 42. ارائه راهکارهای پایدار و بهینه برای نگهداری مدل‌ها