فلش‌کارت‌های آموزشی استقرار سریع و بهینه مدل‌های یادگیری ماشین در Azure ML با استفاده از ایمیج‌های آماده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار سریع و بهینه مدل‌های یادگیری ماشین در Azure ML با استفاده از ایمیج‌های آماده

موضوع کلی: هوش مصنوعی و یادگیری ماشین در محیط ابری

موضوع میانی: استقرار و عملیاتی‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی در محیط ابری
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. معماری Azure Machine Learning
• 4. مقدمه‌ای بر کانتینرسازی با Docker
• 5. مزایای استفاده از Docker در ML
• 6. مبانی استقرار مدل‌های یادگیری ماشین
• 7. نیازسنجی برای استقرار مدل
• 8. انتخاب پلتفرم مناسب برای استقرار
• 9. معرفی Azure Machine Learning
• 10. اجزای اصلی Azure Machine Learning
• 11. محیط‌های محاسباتی در Azure ML
• 12. مفهوم Workspace در Azure ML
• 13. مدیریت داده‌ها در Azure ML
• 14. آموزش مدل‌ها در Azure ML
• 15. ثبت و نسخه‌برداری از مدل‌ها
• 16. مقدمه‌ای بر استنتاج (Inference)
• 17. استنتاج آنلاین در مقابل آفلاین
• 18. معرفی ایمیج‌های آماده (Prebuilt Images)
• 19. چرا از ایمیج‌های آماده استفاده کنیم؟
• 20. مزایای ایمیج‌های آماده Azure ML
• 21. انواع ایمیج‌های آماده برای استنتاج
• 22. ایمیج‌های آماده برای TensorFlow
• 23. ایمیج‌های آماده برای PyTorch
• 24. ایمیج‌های آماده برای scikit-learn
• 25. ایمیج‌های آماده برای ONNX Runtime
• 26. ایمیج‌های آماده برای XGBoost
• 27. ایمیج‌های آماده برای LightGBM
• 28. ایمیج‌های آماده برای مدل‌های سفارشی
• 29. نحوه انتخاب ایمیج آماده مناسب
• 30. ساخت محیط Docker سفارشی (در صورت نیاز)
• 31. پیکربندی Dockerfile برای استقرار
• 32. ساخت ایمیج Docker سفارشی
• 33. ثبت ایمیج Docker در Azure Container Registry (ACR)
• 34. استفاده از ACR با Azure ML
• 35. مفهوم Endpoint در Azure ML
• 36. انواع Endpoint: Real-time و Batch
• 37. ایجاد Real-time Endpoint
• 38. پیکربندی Real-time Endpoint
• 39. استقرار مدل بر روی Real-time Endpoint
• 40. تست Real-time Endpoint
• 41. مفهوم Batch Endpoint
• 42. ایجاد Batch Endpoint
• 43. پیکربندی Batch Endpoint
• 44. استقرار مدل بر روی Batch Endpoint
• 45. زمان‌بندی اجرای Batch Endpoint
• 46. مانیتورینگ Endpointها
• 47. مقیاس‌پذیری (Scalability) در Azure ML
• 48. مقیاس‌پذیری خودکار (Autoscaling)
• 49. تنظیمات مقیاس‌پذیری برای Real-time Endpoint
• 50. تنظیمات مقیاس‌پذیری برای Batch Endpoint
• 51. امنیت در استقرار مدل‌ها
• 52. مدیریت دسترسی‌ها در Azure ML
• 53. استفاده از Managed Identity
• 54. رمزنگاری داده‌ها در حین انتقال
• 55. پیکربندی شبکه مجازی (VNet)
• 56. بهینه‌سازی عملکرد استقرار
• 57. تکنیک‌های بهینه‌سازی مدل برای استنتاج
• 58. استفاده از سخت‌افزار شتاب‌دهنده (GPU)
• 59. مدیریت هزینه‌ها در Azure ML
• 60. برآورد هزینه استقرار
• 61. کاهش هزینه‌ها با استفاده از ایمیج‌های آماده
• 62. استفاده از Spot Instances برای Batch Endpoint
• 63. ساخت داشبوردهای مانیتورینگ سفارشی
• 64. ثبت لاگ‌ها در Azure Monitor
• 65. تحلیل لاگ‌ها برای اشکال‌زدایی
• 66. مدیریت نسخه‌های مدل مستقر شده
• 67. استراتژی‌های Rollout و Rollback
• 68. استقرار A/B Testing برای مدل‌ها
• 69. نظارت بر انحراف داده (Data Drift)
• 70. نظارت بر انحراف مدل (Model Drift)
• 71. تنظیم هشدارها بر اساس متریک‌ها
• 72. اتوماسیون فرآیند CI/CD برای ML
• 73. معرفی Azure DevOps
• 74. اتصال Azure ML به Azure DevOps
• 75. ساخت Pipeline برای ساخت و استقرار
• 76. استفاده از GitHub Actions برای ML Ops
• 77. مقدمه‌ای بر MLOps
• 78. اصول کلیدی MLOps
• 79. چرخه حیات مدل یادگیری ماشین
• 80. نقش ایمیج‌های آماده در MLOps
• 81. استقرار مدل‌های پیش‌پردازش داده
• 82. استقرار مدل‌های پس‌پردازش داده
• 83. استقرار مدل‌های ترکیبی
• 84. ملاحظات حقوقی و اخلاقی در استقرار ML
• 85. رعایت حریم خصوصی داده‌ها
• 86. شفافیت در تصمیم‌گیری مدل‌ها
• 87. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 88. کاربرد ایمیج‌های آماده در صنایع مختلف
• 89. مثال عملی: استقرار مدل تشخیص تصویر
• 90. مثال عملی: استقرار مدل پردازش زبان طبیعی
• 91. مثال عملی: استقرار مدل پیش‌بینی فروش
• 92. مقایسه ایمیج‌های آماده با استقرار دستی
• 93. چالش‌های رایج در استقرار ML
• 94. راهکارهای غلبه بر چالش‌ها
• 95. آینده استقرار مدل‌های یادگیری ماشین در ابر
• 96. جمع‌بندی و نکات پایانی