کتاب صوتی ایجاد و اسکریپت‌نویسی زیرساخت در AWS برای مهندسان یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ایجاد و اسکریپت‌نویسی زیرساخت در AWS برای مهندسان یادگیری ماشین

موضوع کلی: مهندسی نرم‌افزار و زیرساخت ابری

موضوع میانی: مدیریت و خودکارسازی زیرساخت ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زیرساخت ابری و AWS
• 2. مفاهیم کلیدی AWS برای مهندسان یادگیری ماشین
• 3. آشنایی با سرویس‌های محاسباتی AWS
• 4. Amazon EC2: ماشین‌های مجازی در ابر
• 5. انتخاب نوع نمونه EC2 مناسب برای ML
• 6. مدیریت نمونه‌های EC2 و امنیت آن‌ها
• 7. شبکه‌سازی در AWS: VPC و زیرشبکه‌ها
• 8. پیکربندی گروه‌های امنیتی و لیست‌های کنترل دسترسی شبکه
• 9. ذخیره‌سازی در AWS: S3 و انواع آن
• 10. مدیریت چرخه عمر داده‌ها در S3
• 11. Amazon EBS: ذخیره‌سازی بلوکی برای EC2
• 12. Amazon EFS: ذخیره‌سازی فایل توزیع‌شده
• 13. مقدمه‌ای بر ابزارهای اسکریپت‌نویسی در AWS
• 14. AWS CloudFormation: زیرساخت به عنوان کد
• 15. نوشتن قالب‌های CloudFormation برای منابع AWS
• 16. مدیریت و به‌روزرسانی زیرساخت با CloudFormation
• 17. AWS Systems Manager: مدیریت پیکربندی و اتوماسیون
• 18. اجرای دستورات و اسکریپت‌ها با Systems Manager
• 19. AWS CLI: رابط خط فرمان برای AWS
• 20. استفاده از AWS CLI برای مدیریت منابع
• 21. نوشتن اسکریپت‌های Bash برای اتوماسیون وظایف
• 22. ادغام AWS CLI با اسکریپت‌های Bash
• 23. مقدمه‌ای بر استقرار برنامه‌ها در AWS
• 24. AWS CodeDeploy: استقرار خودکار برنامه‌ها
• 25. پیکربندی CodeDeploy برای استقرارهای بدون وقفه
• 26. AWS CodePipeline: خطوط لوله CI/CD
• 27. طراحی خطوط لوله CI/CD با CodePipeline
• 28. استقرار مدل‌های یادگیری ماشین در AWS
• 29. Amazon SageMaker: پلتفرم کامل ML
• 30. ایجاد محیط‌های توسعه SageMaker
• 31. آموزش مدل‌ها با SageMaker
• 32. استقرار مدل‌های آموزش‌دیده با SageMaker Endpoints
• 33. مدیریت نسخه‌های مدل در SageMaker
• 34. مدیریت هویت و دسترسی (IAM)
• 35. پیکربندی کاربران، گروه‌ها، نقش‌ها و سیاست‌های IAM
• 36. استفاده از نقش‌های IAM برای دسترسی امن به سرویس‌ها
• 37. امنیت شبکه در AWS: فایروال‌ها و محافظت از DDOS
• 38. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 39. مدیریت کلیدهای رمزنگاری با AWS KMS
• 40. پایش و ثبت وقایع در AWS
• 41. Amazon CloudWatch: جمع‌آوری و تحلیل گزارش‌ها
• 42. تنظیم هشدارها و معیارهای سفارشی در CloudWatch
• 43. AWS CloudTrail: ثبت فعالیت‌های API
• 44. تجزیه و تحلیل گزارش‌های CloudTrail برای ممیزی امنیتی
• 45. مفاهیم پیشرفته شبکه‌سازی در AWS
• 46. شبکه‌های خصوصی مجازی (VPN) و اتصالات مستقیم
• 47. مدیریت ترافیک با AWS Route 53
• 48. تعادل بار (Load Balancing) در AWS
• 49. Elastic Load Balancing (ELB): انواع و پیکربندی
• 50. اتصال ELB به نمونه‌های EC2 و سرویس‌های دیگر
• 51. مفاهیم پیشرفته ذخیره‌سازی
• 52. Amazon S3 Glacier و بازیابی داده‌ها
• 53. مدیریت داده‌های حجیم با AWS Data Pipeline
• 54. پشتیبان‌گیری و بازیابی داده‌ها در AWS
• 55. استراتژی‌های پشتیبان‌گیری با استفاده از EC2 و S3
• 56. بازیابی فاجعه (Disaster Recovery) در AWS
• 57. طراحی راه‌حل‌های DR با استفاده از سرویس‌های AWS
• 58. اتوماسیون استقرار و مدیریت زیرساخت
• 59. استفاده از AWS CDK برای تعریف زیرساخت
• 60. نوشتن کد با AWS CDK برای منابع AWS
• 61. مدیریت چرخه عمر برنامه‌ها در AWS
• 62. استقرار برنامه‌های کانتینری با Amazon ECS
• 63. پیکربندی وظایف و خدمات ECS
• 64. استقرار برنامه‌های کانتینری با Amazon EKS
• 65. مقدمه‌ای بر Kubernetes در AWS
• 66. امنیت در محیط‌های کانتینری
• 67. مدیریت مخفی‌کاری (Secrets Management) در AWS
• 68. AWS Secrets Manager برای مدیریت اطلاعات حساس
• 69. استفاده از AWS Systems Manager Parameter Store
• 70. نظارت بر هزینه‌ها با AWS Cost Explorer
• 71. استراتژی‌های کاهش هزینه در AWS
• 72. استفاده از نمونه‌های رزرو شده و Savings Plans
• 73. مدیریت منابع غیرفعال و بهینه‌سازی فضای ذخیره‌سازی
• 74. مقدمه‌ای بر ابزارهای DevOps در AWS
• 75. AWS CodeCommit: مخزن کد خصوصی
• 76. استفاده از CodeCommit در خط لوله CI/CD
• 77. AWS CodeBuild: ساخت و آزمایش کد
• 78. پیکربندی محیط‌های ساخت CodeBuild
• 79. مفاهیم پیشرفته CloudFormation
• 80. استفاده از StackSets برای استقرار در چندین حساب
• 81. مدیریت تغییرات و rollback در CloudFormation
• 82. استفاده از الگوهای CloudFormation
• 83. مدیریت و پایش زیرساخت برای ML
• 84. پایش عملکرد مدل‌های ML مستقر شده
• 85. تنظیم هشدارها برای مشکلات عملکرد مدل
• 86. مدیریت و به‌روزرسانی زیرساخت ML
• 87. اسکریپت‌نویسی برای فرآیندهای ML تکرارشونده
• 88. استفاده از AWS Step Functions برای هماهنگ‌سازی گردش کار ML
• 89. اتصال AWS Step Functions به SageMaker
• 90. امنیت داده‌های ML در AWS
• 91. کنترل دسترسی به داده‌های آموزشی و مدل‌ها
• 92. انطباق با مقررات حفظ حریم خصوصی داده‌ها
• 93. ملاحظات نهایی برای مهندسان ML در AWS