کتاب صوتی راهکارهای عملیاتی یادگیری ماشین با استفاده از خدمات ابری آمازون (AWS) برای توسعه‌دهندگان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای عملیاتی یادگیری ماشین با استفاده از خدمات ابری آمازون (AWS) برای توسعه‌دهندگان

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین در بستر ابر

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و زیرساخت‌های AWS
• 2. آشنایی با خدمات هوش مصنوعی و یادگیری ماشین در AWS
• 3. مدیریت هویت و دسترسی‌ها در محیط‌های یادگیری ماشین
• 4. آشنایی با سرویس آمازون سیج‌میکر برای توسعه‌دهندگان
• 5. آماده‌سازی داده‌ها و مدیریت مجموعه‌داده‌ها در S3
• 6. پاک‌سازی و پیش‌پردازش داده‌ها با استفاده از SageMaker Data Wrangler
• 7. مهندسی ویژگی‌ها برای مدل‌های یادگیری ماشین
• 8. ذخیره‌سازی و مدیریت ویژگی‌ها با Amazon Feature Store
• 9. انتخاب الگوریتم‌های مناسب برای مسائل یادگیری نظارت‌شده
• 10. آموزش مدل‌های یادگیری ماشین در محیط‌های توزیع‌شده
• 11. استفاده از الگوریتم‌های داخلی SageMaker برای یادگیری سریع
• 12. تنظیم ابرپارامترها برای بهبود عملکرد مدل
• 13. ارزیابی مدل‌های یادگیری ماشین و معیارهای سنجش خطا
• 14. استفاده از SageMaker Experiments برای ردیابی آزمایش‌ها
• 15. مدیریت نسخه‌بندی مدل‌ها با SageMaker Model Registry
• 16. استقرار مدل‌ها به عنوان سرویس‌های وب در AWS
• 17. بهینه‌سازی استقرار مدل‌ها با استفاده از SageMaker Inference
• 18. مقیاس‌پذیری خودکار مدل‌های مستقر شده در محیط ابری
• 19. مانیتورینگ عملکرد مدل‌ها در محیط عملیاتی با Model Monitor
• 20. تشخیص انحراف داده و انحراف مدل در سیستم‌های عملیاتی
• 21. امنیت در یادگیری ماشین و رمزنگاری داده‌ها در AWS
• 22. استفاده از خدمات مدیریت کلید برای حفاظت از مدل‌ها
• 23. اتوماسیون خط لوله یادگیری ماشین با SageMaker Pipelines
• 24. یکپارچه‌سازی CI/CD برای مدل‌های یادگیری ماشین
• 25. مدیریت هزینه‌ها در پروژه‌های یادگیری ماشین ابری
• 26. بهینه‌سازی منابع پردازشی برای کاهش هزینه‌های عملیاتی
• 27. آشنایی با هوش مصنوعی مولد و خدمات Bedrock
• 28. استفاده از مدل‌های زبانی بزرگ در بستر AWS
• 29. بهینه‌سازی مدل‌های پیش‌آموزش‌دیده برای کاربردهای خاص
• 30. پیاده‌سازی راهکارهای یادگیری تقویتی در AWS
• 31. تحلیل داده‌های تصویری با استفاده از Amazon Rekognition
• 32. پردازش متن و تحلیل احساسات با Amazon Comprehend
• 33. تبدیل متن به گفتار و گفتار به متن با سرویس‌های AWS
• 34. استفاده از Amazon Forecast برای پیش‌بینی سری‌های زمانی
• 35. به‌کارگیری Amazon Fraud Detector برای شناسایی الگوهای نامتعارف
• 36. مدیریت چرخه‌حیات مدل‌های یادگیری ماشین با MLOps
• 37. مستندسازی و گزارش‌دهی در پروژه‌های هوش مصنوعی
• 38. اخلاق در هوش مصنوعی و رعایت اصول شفافیت و عدالت
• 39. تطبیق راهکارهای یادگیری ماشین با استانداردهای حریم خصوصی
• 40. جمع‌بندی و طراحی معماری نهایی برای پروژه‌های هوش مصنوعی ابری