کتاب صوتی مهندسی استقرار مدل‌های یادگیری ماشین در زیرساخت‌های ابری AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی استقرار مدل‌های یادگیری ماشین در زیرساخت‌های ابری AWS

موضوع کلی: مهندسی نرم‌افزار و زیرساخت‌های ابری

موضوع میانی: پیاده‌سازی و استقرار سیستم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی مهندسی نرم‌افزار در عصر ابری
• 2. معماری سیستم‌های توزیع‌شده و مقیاس‌پذیر
• 3. اصول طراحی زیرساخت‌های ابری
• 4. مفاهیم کلیدی AWS برای مهندسی ML
• 5. خدمات محاسباتی AWS برای استقرار مدل
• 6. Amazon EC2: ماشین‌های مجازی قدرتمند
• 7. Amazon Lambda: محاسبات بدون سرور برای وظایف ML
• 8. Amazon ECS و EKS: مدیریت کانتینرها در AWS
• 9. ذخیره‌سازی داده‌ها در AWS برای مدل‌های ML
• 10. Amazon S3: ذخیره‌سازی اشیاء مقیاس‌پذیر
• 11. Amazon EBS و EFS: ذخیره‌سازی بلوکی و فایل
• 12. پایگاه‌های داده مدیریت‌شده در AWS
• 13. Amazon RDS: پایگاه داده رابطه‌ای مدیریت‌شده
• 14. Amazon DynamoDB: پایگاه داده NoSQL مقیاس‌پذیر
• 15. شبکه‌سازی و تحویل محتوا در AWS
• 16. Amazon VPC: ایجاد شبکه‌های خصوصی مجازی
• 17. Amazon Route 53: مدیریت DNS و دسترسی
• 18. Amazon CloudFront: تحویل محتوا با سرعت بالا
• 19. امنیت و مدیریت دسترسی در AWS
• 20. IAM: مدیریت هویت و دسترسی
• 21. AWS KMS: مدیریت کلیدهای رمزنگاری
• 22. AWS Shield و WAF: حفاظت در برابر حملات
• 23. پایش و ثبت وقایع در AWS
• 24. Amazon CloudWatch: پایش عملکرد و لاگ‌ها
• 25. AWS CloudTrail: ثبت فعالیت‌های API
• 26. مفاهیم استقرار مدل یادگیری ماشین
• 27. چرخه حیات مدل ML: از آموزش تا استقرار
• 28. انتخاب زیرساخت مناسب برای استقرار مدل
• 29. معیارهای انتخاب زیرساخت: هزینه، مقیاس‌پذیری، تأخیر
• 30. استقرار مدل‌های ML در EC2
• 31. بهینه‌سازی منابع EC2 برای استنتاج ML
• 32. استقرار مدل‌های ML با استفاده از Lambda
• 33. محدودیت‌ها و مزایای Lambda برای ML
• 34. استقرار مدل‌های ML با استفاده از ECS و EKS
• 35. مدیریت کانتینرهای ML با Docker و Kubernetes
• 36. استقرار مدل‌های Batch Inference
• 37. کاربرد AWS Batch برای پردازش دسته‌ای
• 38. استقرار مدل‌های Real-time Inference
• 39. API Gateway برای ارائه استنتاج بلادرنگ
• 40. Amazon SageMaker: پلتفرم جامع ML در AWS
• 41. SageMaker Endpoints: استقرار مدل‌های بلادرنگ
• 42. SageMaker Batch Transform: استقرار مدل‌های دسته‌ای
• 43. SageMaker Neo: بهینه‌سازی مدل برای پلتفرم‌های مختلف
• 44. استقرار مدل‌های ML در لبه (Edge)
• 45. AWS IoT Greengrass برای استقرار در دستگاه‌های لبه
• 46. بهینه‌سازی مدل برای دستگاه‌های با منابع محدود
• 47. مدیریت نسخه مدل و استقرار تدریجی
• 48. استراتژی‌های استقرار: Blue/Green، Canary
• 49. استقرار خودکار و CI/CD برای مدل‌های ML
• 50. ابزارهای CI/CD در AWS: CodePipeline, CodeBuild, CodeDeploy
• 51. اتوماسیون فرآیند استقرار مدل
• 52. پایش عملکرد مدل پس از استقرار
• 53. متریک‌های کلیدی برای پایش مدل ML
• 54. تشخیص انحراف داده (Data Drift) و مدل (Model Drift)
• 55. استفاده از CloudWatch برای پایش مدل
• 56. بازآموزی و به‌روزرسانی مدل‌ها
• 57. استراتژی‌های بازآموزی خودکار
• 58. مدیریت چرخه حیات مدل در AWS
• 59. ملاحظات هزینه در استقرار مدل‌های ML
• 60. بهینه‌سازی هزینه با انتخاب سرویس‌های مناسب
• 61. مدیریت بودجه و کنترل هزینه‌ها در AWS
• 62. مطالعات موردی استقرار مدل‌های ML در AWS
• 63. مثال‌های عملی از استقرار مدل‌های بینایی ماشین
• 64. مثال‌های عملی از استقرار مدل‌های پردازش زبان طبیعی
• 65. مثال‌های عملی از استقرار مدل‌های توصیه‌گر
• 66. استقرار مدل‌های ML با امنیت بالا
• 67. پیاده‌سازی بهترین شیوه‌های امنیتی برای مدل‌های ML
• 68. مدیریت کلیدهای API و احراز هویت
• 69. پروتکل‌های ارتباط امن برای استنتاج
• 70. ملاحظات قانونی و مقرراتی در استقرار مدل‌های ML
• 71. رعایت حریم خصوصی داده‌ها در AWS
• 72. استانداردهای داده و انطباق با مقررات
• 73. راهنمای عملی برای مهندسان استقرار ML
• 74. نکات و ترفندها برای استقرار موفق
• 75. اشتباهات رایج در استقرار مدل‌های ML و راه‌های اجتناب از آن‌ها
• 76. روندهای نوظهور در مهندسی استقرار ML
• 77. پیش‌بینی‌های آینده برای زیرساخت‌های ابری ML