کتاب صوتی آموزش، بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش، بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با AWS

موضوع کلی: آموزش و پیاده‌سازی یادگیری ماشین در فضای ابری

موضوع میانی: مدیریت چرخه حیات مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین در AWS
• 2. تنظیم محیط AWS برای یادگیری ماشین
• 3. آشنایی با سرویس SageMaker
• 4. مدیریت داده‌ها با S3 برای آموزش مدل
• 5. آماده‌سازی و پیش‌پردازش داده‌ها در SageMaker
• 6. استفاده از نوت‌بوک‌های SageMaker
• 7. انتخاب و پیکربندی نمونه‌های محاسباتی
• 8. آموزش مدل با Built-in Algorithms
• 9. آموزش مدل با فریمورک‌های TensorFlow و PyTorch
• 10. مدیریت Hyperparameter Tuning با SageMaker
• 11. بهینه‌سازی خودکار مدل با Automatic Model Tuning
• 12. ذخیره‌سازی و نسخه‌بندی مدل‌ها در Model Registry
• 13. ارزیابی عملکرد مدل با متریک‌های AWS
• 14. مدیریت خطاها و لاگ‌ها در آموزش
• 15. استقرار مدل به صورت Real-time با Endpoints
• 16. استقرار مدل به صورت Batch با Transform Jobs
• 17. مدیریت Auto Scaling برای Inference
• 18. بهینه‌سازی Inference با Elastic Inference
• 19. استفاده از Multi-Model Endpoints
• 20. پیاده‌سازی Pipeline های ML با SageMaker Pipelines
• 21. مدیریت چرخه حیات مدل با Model Lifecycle
• 22. یکپارچه‌سازی با AWS Lambda برای Inference
• 23. اتصال مدل به API Gateway
• 24. مانیتورینگ مدل‌های مستقر با CloudWatch
• 25. تشخیص انحراف داده با Model Monitor
• 26. بازآموزی مدل با Pipeline Automation
• 27. مدیریت هزینه‌ها در آموزش و استقرار
• 28. امنیت داده‌ها و مدل‌ها با IAM و KMS
• 29. استفاده از Spot Instances برای کاهش هزینه
• 30. مدیریت وابستگی‌ها با Docker Containers در SageMaker
• 31. ایجاد Custom Algorithms با Bring Your Own Container
• 32. آموزش توزیع‌شده با Distributed Training
• 33. استفاده از SageMaker Debugger برای دیباگ
• 34. بهینه‌سازی حافظه و GPU در آموزش
• 35. مدیریت مجموعه داده‌های بزرگ با Feature Store
• 36. پیاده‌سازی A/B Testing برای مدل‌ها
• 37. مدیریت نسخه‌های مختلف مدل با Aliases
• 38. استقرار مدل در Edge با SageMaker Edge Manager
• 39. تبدیل مدل با Neo برای بهینه‌سازی
• 40. مدیریت چرخه حیات با SageMaker Studio
• 41. برنامه‌ریزی استقرار با Blue/Green Deployments
• 42. مدیریت ترافیک Inference با Variant Routing
• 43. ذخیره و بازیابی پیش‌بینی‌ها در DynamoDB
• 44. اتصال مدل به سرویس‌های AWS Analytics
• 45. مدیریت لاگ‌ها و ممیزی با CloudTrail
• 46. بهینه‌سازی کد آموزش با Profiling
• 47. مدیریت مجوزها و خط‌مشی‌های دسترسی
• 48. آموزش مدل با داده‌های Streaming با Kinesis
• 49. مدیریت و پاکسازی منابع AWS
• 50. ارزیابی ریسک و بازیابی خرابی در استقرار
• 51. مدیریت هزینه‌های Inference با Serverless Inference
• 52. یکپارچه‌سازی با Step Functions برای Orchestration
• 53. مدیریت داده‌های برچسب‌گذاری‌شده با Ground Truth
• 54. آموزش مدل با الگوریتم‌های AutoML
• 55. مدیریت Pipeline های CI/CD با CodePipeline
• 56. بهینه‌سازی مدل با Quantization و Pruning
• 57. مدیریت رازها و متغیرهای محیطی با Secrets Manager
• 58. استفاده از VPC برای ایزوله‌سازی شبکه
• 59. مدیریت گواهینامه‌ها و SSL برای Endpoints
• 60. پیاده‌سازی Retry و Fallback در Inference
• 61. مدیریت خطاهای رایج در AWS ML
• 62. برنامه‌ریزی مقیاس‌پذیری برای بارهای بالا
• 63. مدیریت مدل‌های چندزبانه و چندنوعی
• 64. آموزش و استقرار مدل‌های NLP در AWS
• 65. آموزش و استقرار مدل‌های Computer Vision در AWS
• 66. مدیریت چرخه حیات مدل‌های Ensemble
• 67. بهینه‌سازی زمان آموزش با Data Parallelism
• 68. مدیریت و ذخیره نتایج ارزیابی
• 69. پیکربندی هشدارها و آلارم‌های عملیاتی
• 70. مدیریت انطباق با استانداردهای امنیتی AWS
• 71. پیاده‌سازی Governance برای مدل‌ها
• 72. مدیریت و به‌روزرسانی مدل‌های قدیمی
• 73. خلاصه و مرور چرخه حیات کامل ML در AWS