فلش‌کارت‌های آموزشی معماری نرم‌افزار: طراحی سیستم‌های یادگیری ماشین (Machine Learning)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری نرم‌افزار: طراحی سیستم‌های یادگیری ماشین (Machine Learning)

موضوع کلی: برنامه نویسی

موضوع میانی: معماری نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر معماری نرم‌افزار
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. چرا معماری برای سیستم‌های یادگیری ماشین حیاتی است؟
• 4. نقش معمار سیستم‌های یادگیری ماشین
• 5. چالش‌های منحصر به فرد در معماری سیستم‌های ML
• 6. چرخه حیات یادگیری ماشین (ML Lifecycle)
• 7. مفاهیم کلیدی: مدل، ویژگی (Feature)، آموزش، استنتاج (Inference)
• 8. انواع یادگیری ماشین: نظارت شده، نظارت نشده و تقویتی
• 9. ویژگی‌های کیفی (Quality Attributes) در معماری ML: مقیاس‌پذیری
• 10. ویژگی‌های کیفی در معماری ML: قابلیت اطمینان و در دسترس بودن
• 11. ویژگی‌های کیفی در معماری ML: قابلیت نگهداری و توسعه‌پذیری
• 12. جمع‌آوری نیازمندی‌ها برای یک پروژه ML
• 13. نقش محوری داده‌ها در معماری ML
• 14. معماری داده‌محور (Data-Centric) در مقابل مدل‌محور (Model-Centric)
• 15. ارزیابی ریسک و بده‌بستان‌ها (Trade-offs) در طراحی معماری ML
• 16. اصول طراحی SOLID در زمینه ML
• 17. الگوهای طراحی متداول در نرم‌افزار و کاربرد آن‌ها در ML
• 18. معرفی ابزارها و پلتفرم‌های کلیدی در اکوسیستم ML
• 19. بخش دوم: الگوهای معماری و اصول طراحی**
• 20. الگوهای معماری: مونولیت در مقابل میکروسرویس‌ها برای ML
• 21. معماری رویداد محور (Event-Driven) در سیستم‌های ML
• 22. معماری خط لوله (Pipeline Architecture) برای پردازش داده و مدل
• 23. الگوی استنتاج آنلاین (Online Inference): درخواست-پاسخ
• 24. الگوی استنتاج دسته‌ای (Batch Inference): پردازش آفلاین
• 25. معماری Lambda برای سیستم‌های داده بزرگ
• 26. معماری Kappa و پردازش جریانی (Streaming)
• 27. طراحی API برای مدل‌های یادگیری ماشین (REST, gRPC)
• 28. الگوی طراحی Gateway API برای سرویس‌های ML
• 29. جداسازی فرآیند آموزش (Training) از استنتاج (Inference)
• 30. معماری مبتنی بر کانتینر (Container-based) برای ML
• 31. الگوی Strangler Fig برای مدرن‌سازی سیستم‌های ML قدیمی
• 32. معماری برای سیستم‌های چند مستأجره (Multi-tenant) ML
• 33. طراحی برای آزمایش‌پذیری (Testability) در سیستم‌های ML
• 34. طراحی برای امنیت در سیستم‌های یادگیری ماشین
• 35. معماری مبتنی بر پلاگین برای انعطاف‌پذیری مدل
• 36. الگوی Sidecar در استقرار مدل‌ها
• 37. معماری بدون سرور (Serverless) برای استنتاج ML
• 38. طراحی سیستم‌های ترکیبی (Hybrid) آنلاین و آفلاین
• 39. اصول معماری ابری (Cloud-Native) برای ML
• 40. بخش سوم: معماری داده و مهندسی ویژگی**
• 41. معماری جمع‌آوری و ورود داده (Data Ingestion)
• 42. طراحی دریاچه داده (Data Lake) و انبار داده (Data Warehouse)
• 43. الگوهای اعتبارسنجی و پاک‌سازی داده‌ها (Data Validation & Cleaning)
• 44. معماری خط لوله‌های ETL و ELT برای ML
• 45. مهندسی ویژگی (Feature Engineering) در مقیاس بزرگ
• 46. فروشگاه ویژگی (Feature Store): چیستی و چرایی
• 47. طراحی و پیاده‌سازی یک Feature Store
• 48. مدیریت نسخه داده‌ها (Data Versioning)
• 49. کاتالوگ داده و حاکمیت داده (Data Governance)
• 50. معماری پردازش داده‌های جریانی (Stream Data Processing)
• 51. استفاده از Apache Spark و Dask برای پردازش توزیع‌شده داده
• 52. معماری برای برچسب‌گذاری و حاشیه‌نویسی داده‌ها (Data Labeling)
• 53. افزایش داده‌ها (Data Augmentation) از دیدگاه معماری
• 54. بخش چهارم: معماری آموزش، ارزیابی و مدیریت مدل**
• 55. معماری برای آموزش توزیع‌شده مدل‌ها (Distributed Training)
• 56. استفاده از GPU و TPU در معماری آموزش
• 57. ابزارهای ارکستراسیون خط لوله: Airflow, Kubeflow Pipelines
• 58. ردیابی آزمایشات (Experiment Tracking) با MLflow و Weights & Biases
• 59. مدیریت نسخه‌های مدل (Model Versioning)
• 60. رجیستری مدل (Model Registry): ذخیره و مدیریت مدل‌های آموزش‌دیده
• 61. معماری برای ارزیابی آفلاین مدل‌ها
• 62. معماری برای ارزیابی آنلاین: A/B Testing و Canary Releases
• 63. تنظیم فراپارامترها (Hyperparameter Tuning) در مقیاس
• 64. یادگیری انتقالی (Transfer Learning) و Fine-tuning از دیدگاه معماری
• 65. مفهوم و معماری یادگیری خودکار ماشین (AutoML)
• 66. بخش پنجم: استقرار، عملیات و MLOps**
• 67. مقدمه‌ای بر MLOps و نقش آن در معماری
• 68. الگوهای استقرار مدل: جاسازی شده (Embedded)، سرویس وب، مبتنی بر پایگاه داده
• 69. کانتینرسازی مدل‌ها با Docker
• 70. ارکستراسیون کانتینرها با Kubernetes برای ML
• 71. زیرساخت به عنوان کد (Infrastructure as Code) با Terraform
• 72. خط لوله‌های یکپارچه‌سازی و تحویل مداوم (CI/CD) برای ML
• 73. آموزش مداوم (Continuous Training - CT)
• 74. مانیتورینگ عملکرد فنی سرویس‌های ML (Latency, Throughput)
• 75. معماری برای مانیتورینگ Data Drift
• 76. معماری برای مانیتورینگ Model Drift (Concept Drift)
• 77. سیستم‌های هشداردهی (Alerting) برای ناهنجاری‌های مدل
• 78. طراحی برای مشاهده‌پذیری (Observability): لاگ، متریک و ردیابی
• 79. بازآموزی (Retraining) خودکار مدل‌ها: طراحی و استراتژی‌ها
• 80. مقیاس‌پذیری خودکار (Auto-scaling) برای سرویس‌های استنتاج
• 81. بهینه‌سازی هزینه در زیرساخت‌های ابری ML
• 82. بخش ششم: موضوعات پیشرفته و مطالعات موردی**
• 83. معماری برای یادگیری ماشین بی‌درنگ (Real-time ML)
• 84. معماری برای یادگیری فدرال (Federated Learning)
• 85. یادگیری ماشین در لبه (Edge AI) و معماری مربوط به آن
• 86. هوش مصنوعی قابل توضیح (Explainable AI - XAI) و پیامدهای معماری آن
• 87. طراحی برای عدالت، بی‌طرفی و شفافیت (Fairness & Bias)
• 88. معماری برای حفظ حریم خصوصی (Privacy-Preserving ML)
• 89. مطالعه موردی: معماری یک سیستم توصیه‌گر (Recommender System)
• 90. مطالعه موردی: معماری یک سیستم جستجو و رتبه‌بندی
• 91. مطالعه موردی: معماری یک سیستم پردازش زبان طبیعی (مانند Chatbot)
• 92. مطالعه موردی: معماری یک سیستم بینایی کامپیوتر (مانند تشخیص اشیا)
• 93. معماری برای مدل‌های زبان بزرگ (LLMs) و GenAI
• 94. معماری پلتفرم‌های ML داخلی (Internal ML Platforms)
• 95. مقایسه معماری‌های ML در AWS, GCP و Azure
• 96. مستندسازی معماری سیستم‌های ML (مانند مدل C4)
• 97. مهارت‌های نرم و فنی برای یک معمار سیستم ML
• 98. روندها و آینده معماری سیستم‌های یادگیری ماشین
• 99. جمع‌بندی دوره و پروژه نهایی
• 100. الگوهای معماری برای سیستم‌های ML: میکروسرویس‌ها، Data Lake، Feature Store و Deployment Pipeline**