اکسپرس 24
کتاب استقرار زیرساخت‌های یادگیری ماشین در AWS برای مهندسان همکار

کتاب استقرار زیرساخت‌های یادگیری ماشین در AWS برای مهندسان همکار

تگ‌ها: AWS AWS ML MLOps استقرار ابر خدمات ابری زیرساخت ابری مدیریت ابر مهندسی نرم‌افزار مهندسی یادگیری ماشین یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار زیرساخت‌های یادگیری ماشین در AWS برای مهندسان همکار

موضوع کلی: مهندسی نرم‌افزار و زیرساخت ابری

موضوع میانی: استقرار و مدیریت برنامه‌های کاربردی در محیط ابری

📋 سرفصل‌های دوره

  • 1. مبانی ابری و مفاهیم پایه
  • 2. معرفی سرویس‌های AWS برای یادگیری ماشین
  • 3. انتخاب سرویس‌های مناسب AWS برای استقرار مدل‌های ML
  • 4. مدیریت هویت و دسترسی (IAM) در AWS
  • 5. مبانی شبکه‌سازی در AWS (VPC, Subnets, Security Groups)
  • 6. استقرار مدل‌های ML با Amazon SageMaker
  • 7. مقدمه‌ای بر SageMaker Endpoints
  • 8. انواع Endpoints در SageMaker (Real-time, Batch Transform)
  • 9. تنظیمات و پیکربندی SageMaker Endpoints
  • 10. استقرار مدل‌های ML با استفاده از کانتینرها
  • 11. Amazon Elastic Container Service (ECS) برای استقرار
  • 12. Amazon Elastic Kubernetes Service (EKS) برای استقرار
  • 13. مزایای استفاده از کانتینرها برای استقرار ML
  • 14. انتخاب بین ECS و EKS
  • 15. استقرار مدل‌های ML با استفاده از AWS Lambda
  • 16. مفاهیم Serverless و Lambda
  • 17. مزایا و محدودیت‌های Lambda برای استقرار ML
  • 18. اتصال Lambda به SageMaker
  • 19. مدیریت داده‌ها در محیط ابری
  • 20. Amazon S3 برای ذخیره‌سازی داده‌ها
  • 21. Amazon RDS برای پایگاه‌های داده رابطه‌ای
  • 22. Amazon DynamoDB برای پایگاه‌های داده NoSQL
  • 23. ملاحظات امنیتی در ذخیره‌سازی و دسترسی به داده‌ها
  • 24. پشتیبان‌گیری و بازیابی داده‌ها در AWS
  • 25. استقرار و مدیریت زیرساخت‌های ML
  • 26. استفاده از AWS CloudFormation برای زیرساخت به عنوان کد
  • 27. مزایای CloudFormation
  • 28. نوشتن قالب‌های CloudFormation برای منابع ML
  • 29. استفاده از AWS CDK برای زیرساخت به عنوان کد
  • 30. مزایای AWS CDK
  • 31. نوشتن کد CDK برای منابع ML
  • 32. مدیریت چرخه حیات مدل‌های ML
  • 33. نسخه‌بندی مدل‌ها در SageMaker
  • 34. ردیابی آزمایش‌ها و مدل‌ها با SageMaker Experiments
  • 35. ثبت و مانیتورینگ مدل‌های مستقر شده
  • 36. استفاده از Amazon CloudWatch برای مانیتورینگ
  • 37. تنظیم هشدارها در CloudWatch
  • 38. مانیتورینگ عملکرد مدل‌های ML
  • 39. شناسایی انحراف داده‌ها (Data Drift)
  • 40. شناسایی انحراف مدل (Model Drift)
  • 41. استراتژی‌های بازآموزی مدل‌ها
  • 42. استقرار مداوم (Continuous Deployment)
  • 43. مفاهیم CI/CD برای ML
  • 44. استفاده از AWS CodePipeline و CodeBuild
  • 45. یکپارچه‌سازی SageMaker با ابزارهای CI/CD
  • 46. امنیت در استقرار ML
  • 47. مدیریت اسرار (Secrets Management) با AWS Secrets Manager
  • 48. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
  • 49. تنظیمات امنیتی برای SageMaker Endpoints
  • 50. کنترل دسترسی به منابع ML
  • 51. ملاحظات هزینه‌ای در استقرار ابری
  • 52. بهینه‌سازی هزینه‌ها در AWS
  • 53. انتخاب انواع نمونه مناسب (Instance Types)
  • 54. استفاده از Spot Instances برای کاهش هزینه
  • 55. مدیریت هزینه‌ها با AWS Cost Explorer
  • 56. استقرار برنامه‌های کاربردی در AWS
  • 57. مقدمه‌ای بر AWS Elastic Beanstalk
  • 58. استقرار برنامه‌های وب با Elastic Beanstalk
  • 59. مدیریت برنامه‌های کاربردی با Elastic Beanstalk
  • 60. استقرار برنامه‌های کاربردی با AWS OpsWorks
  • 61. استفاده از Chef و Puppet در OpsWorks
  • 62. مدیریت زیرساخت با OpsWorks
  • 63. معماری‌های رایج استقرار در AWS
  • 64. معماری میکروسرویس‌ها
  • 65. استفاده از API Gateway
  • 66. اتصال سرویس‌ها با SQS و SNS
  • 67. معماری‌های مقیاس‌پذیر و با دسترس‌پذیری بالا
  • 68. طراحی برای تحمل خطا (Fault Tolerance)
  • 69. استراتژی‌های بازیابی از فاجعه (Disaster Recovery)
  • 70. بهینه‌سازی عملکرد برنامه‌های کاربردی
  • 71. تنظیمات شبکه برای عملکرد بهتر
  • 72. استفاده از Amazon ElastiCache برای ذخیره‌سازی موقت
  • 73. تکنیک‌های بهینه‌سازی پایگاه داده
  • 74. مدیریت لاگ‌ها و تحلیل آن‌ها
  • 75. تجمیع لاگ‌ها با CloudWatch Logs
  • 76. تحلیل لاگ‌ها با Amazon Athena
  • 77. تجسم داده‌ها با Amazon QuickSight
  • 78. ملاحظات قانونی و انطباق در AWS
  • 79. قوانین حفاظت از داده‌ها در ایران
  • 80. انطباق با مقررات داخلی در استفاده از سرویس‌های ابری
  • 81. ملاحظات مربوط به انتقال داده‌ها
  • 82. رعایت حریم خصوصی کاربران
  • 83. استقرار مدل‌های ML با استفاده از SageMaker Batch Transform
  • 84. موارد استفاده از Batch Transform
  • 85. تنظیم و اجرای Batch Transform
  • 86. تحلیل نتایج Batch Transform
  • 87. استقرار مدل‌های ML با استفاده از SageMaker Inference Pipelines
  • 88. مفهوم Inference Pipelines
  • 89. ساخت و استقرار Inference Pipelines
  • 90. موارد استفاده از Inference Pipelines
  • 91. مدیریت لایه‌های امنیتی در AWS
  • 92. AWS WAF برای محافظت از برنامه‌های وب
  • 93. AWS Shield برای محافظت در برابر حملات DDoS
  • 94. سرویس‌های امنیتی AWS برای داده‌ها
  • 95. مقدمه‌ای بر DevSecOps در AWS
  • 96. ادغام امنیت در چرخه توسعه نرم‌افزار
  • 97. ابزارهای DevSecOps در AWS
  • 98. بهینه‌سازی زیرساخت برای یادگیری ماشین
  • 99. انتخاب سخت‌افزار مناسب (GPU, Inferentia)
  • 100. استفاده از AWS Inferentia برای استنتاج

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.