کتاب صوتی پیاده‌سازی عملیاتی یادگیری ماشین در محیط ابری با استفاده از ابزارهای پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی عملیاتی یادگیری ماشین در محیط ابری با استفاده از ابزارهای پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: عملیات و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر عملیات یادگیری ماشین
• 2. مفاهیم کلیدی MLOps
• 3. اهمیت MLOps در چرخه عمر مدل
• 4. تفاوت MLOps با DevOps
• 5. اصول اساسی MLOps
• 6. ساخت پایپ‌لاین‌های یادگیری ماشین
• 7. مدیریت داده در MLOps
• 8. مهندسی ویژگی
• 9. نسخه‌بندی داده‌ها
• 10. کنترل کیفیت داده‌ها
• 11. آموزش مدل‌های یادگیری ماشین
• 12. چارچوب‌های آموزش مدل
• 13. مدیریت آزمایش‌ها (Experiment Tracking)
• 14. نسخه‌بندی مدل‌ها
• 15. ارزیابی و اعتبارسنجی مدل
• 16. استقرار مدل‌ها (Model Deployment)
• 17. انواع استقرار مدل
• 18. استقرار مدل به صورت API
• 19. استقرار مدل به صورت دسته‌ای (Batch)
• 20. استقرار مدل روی دستگاه (On-Device)
• 21. نظارت بر مدل‌های مستقر شده
• 22. مانیتورینگ عملکرد مدل
• 23. تشخیص افت عملکرد مدل (Model Drift)
• 24. بازآموزی مدل‌ها
• 25. اتوماسیون پایپ‌لاین‌های MLOps
• 26. ابزارهای MLOps
• 27. پلتفرم‌های یادگیری ماشین ابری
• 28. Google Cloud AI Platform
• 29. Vertex AI Overview
• 30. Vertex AI Pipelines
• 31. Vertex AI Model Registry
• 32. Vertex AI Endpoints
• 33. Kubernetes برای MLOps
• 34. Kubeflow
• 35. MLflow
• 36. TensorFlow Extended (TFX)
• 37. استقرار مدل با استفاده از Docker
• 38. کانتینرسازی مدل‌ها
• 39. مدیریت منابع محاسباتی
• 40. استفاده از GPU و TPU
• 41. امنیت در MLOps
• 42. حفاظت از داده‌های حساس
• 43. کنترل دسترسی به مدل‌ها
• 44. پایپ‌لاین‌های CI/CD برای ML
• 45. خودکارسازی استقرار مدل
• 46. بازگشت به نسخه قبلی (Rollback)
• 47. مدیریت ریسک در MLOps
• 48. اصول مهندسی نرم‌افزار در MLOps
• 49. متادیتای مدل
• 50. مستندسازی مدل‌ها
• 51. تست مدل‌ها
• 52. اعتبارسنجی مدل در تولید
• 53. پایپ‌لاین‌های بازآموزی خودکار
• 54. زمان‌بندی اجرای پایپ‌لاین‌ها
• 55. پایپ‌لاین‌های پردازش داده
• 56. پایپ‌لاین‌های آموزش مدل
• 57. پایپ‌لاین‌های ارزیابی مدل
• 58. پایپ‌لاین‌های استقرار مدل
• 59. پایپ‌لاین‌های مانیتورینگ
• 60. استفاده از ابزارهای گزارش‌دهی
• 61. داشبوردهای نظارتی
• 62. مدیریت هشدارها (Alerting)
• 63. بهینه‌سازی عملکرد مدل
• 64. بهینه‌سازی مصرف منابع
• 65. کاهش هزینه‌های عملیاتی
• 66. مقیاس‌پذیری سیستم‌های MLOps
• 67. معماری سیستم‌های MLOps
• 68. اصول طراحی پایپ‌لاین‌های قوی
• 69. مدیریت لاگ‌ها (Logging)
• 70. دیباگ کردن پایپ‌لاین‌ها
• 71. بازخورد از کاربران نهایی
• 72. تکامل پایپ‌لاین‌های MLOps
• 73. ملاحظات اخلاقی در MLOps
• 74. سوگیری در مدل‌ها
• 75. شفافیت مدل‌ها
• 76. پاسخگویی در MLOps
• 77. قوانین و مقررات مرتبط با ML
• 78. حریم خصوصی داده‌ها
• 79. کاربرد MLOps در صنایع مختلف
• 80. MLOps برای مدل‌های پردازش زبان طبیعی
• 81. MLOps برای مدل‌های بینایی ماشین
• 82. MLOps برای مدل‌های توصیه‌گر
• 83. چالش‌های پیاده‌سازی MLOps
• 84. بهترین شیوه‌ها در MLOps
• 85. مسیر شغلی در MLOps
• 86. مهارت‌های مورد نیاز متخصصان MLOps
• 87. آینده MLOps
• 88. جمع‌بندی و گام‌های بعدی