فلش‌کارت‌های آموزشی Kubernetes و مدیریت کلاستر ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Kubernetes و مدیریت کلاستر ML

موضوع کلی: مدیریت سیستم‌های مبتنی بر یونیکس

موضوع میانی: مدیریت سیستم‌های مدیریت داده‌های توزیع شده برای یادگیری ماشین (Distributed Data Management for Machine Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کانتینرسازی و داکر
• 2. آشنایی با Kubernetes: مفاهیم کلیدی
• 3. معماری Kubernetes: گره‌ها، پادها و سرویس‌ها
• 4. راه‌اندازی یک کلاستر Kubernetes ساده
• 5. مدیریت پادها: ایجاد، حذف و به‌روزرسانی
• 6. سرویس‌ها در Kubernetes: انواع و کاربردها
• 7. شبکه‌سازی در Kubernetes: CNI و سرویس‌های داخلی
• 8. ذخیره‌سازی در Kubernetes: انواع Volumeها
• 9. استقرار برنامه‌ها با Deploymentها
• 10. مقیاس‌پذیری برنامه‌ها با Horizontal Pod Autoscaler
• 11. مدیریت تنظیمات با ConfigMapها و Secrets
• 12. مانیتورینگ کلاستر Kubernetes با داشبورد و متریک‌ها
• 13. لاگ‌برداری در Kubernetes: جمع‌آوری و تحلیل لاگ‌ها
• 14. عیب‌یابی مشکلات Kubernetes: ابزارها و تکنیک‌ها
• 15. مدیریت بسته‌ها با Helm
• 16. Kubernetes و CI/CD: یکپارچه‌سازی با پایپ‌لاین‌های توسعه
• 17. امنیت کلاستر Kubernetes: RBAC و Network Policies
• 18. استفاده از Namespaces برای جداسازی محیط‌ها
• 19. مدیریت منابع کلاستر: Limitها و Requestها
• 20. استفاده از Jobها و CronJobها برای وظایف زمان‌بندی‌شده
• 21. Kubernetes Federation: مدیریت کلاسترهای متعدد
• 22. Kubernetes و سرویس‌های ابری: AWS، Azure و GCP
• 23. مقدمه‌ای بر MLOps
• 24. بسته‌بندی مدل‌های یادگیری ماشین در کانتینرها
• 25. استقرار مدل‌های یادگیری ماشین با Kubernetes
• 26. مدیریت چرخه حیات مدل در Kubernetes
• 27. استفاده از Kubeflow برای مدیریت جریان‌های کاری ML
• 28. Kubeflow Pipelines: تعریف و اجرای جریان‌های کاری ML
• 29. Kubeflow Katib: بهینه‌سازی هایپرپارامترها
• 30. Kubeflow Training Operators: آموزش مدل‌های سفارشی
• 31. استفاده از GPUها در Kubernetes برای آموزش مدل
• 32. مدیریت داده‌ها برای یادگیری ماشین در Kubernetes
• 33. استفاده از Feature Stores در Kubernetes
• 34. مانیتورینگ مدل‌های یادگیری ماشین در Kubernetes
• 35. تست مدل‌های یادگیری ماشین در Kubernetes
• 36. استقرار مدل‌های یادگیری ماشین به صورت A/B testing
• 37. مدیریت نسخه‌های مدل در Kubernetes
• 38. نگهداری و به‌روزرسانی مدل‌های یادگیری ماشین
• 39. امنیت مدل‌های یادگیری ماشین در Kubernetes
• 40. استفاده از Auto Scaling برای مدل‌های ML
• 41. بهینه‌سازی مصرف منابع در استقرار مدل‌های ML
• 42. مدیریت هزینه‌ها در Kubernetes برای ML
• 43. استفاده از Serverless Kubernetes برای ML
• 44. Kubernetes و یادگیری تقویتی
• 45. استفاده از Kubernetes برای استقرار مدل‌های پردازش زبان طبیعی