کتاب صوتی مهندسی استقرار مدل‌های یادگیری ماشین در AWS: زیرساخت و زیرساخت به عنوان کد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی استقرار مدل‌های یادگیری ماشین در AWS: زیرساخت و زیرساخت به عنوان کد

موضوع کلی: مهندسی نرم‌افزار و زیرساخت ابری

موضوع میانی: استقرار و مدیریت سرویس‌های یادگیری ماشین در زیرساخت ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی استقرار مدل‌های یادگیری ماشین
• 2. اصول زیرساخت ابری برای یادگیری ماشین
• 3. آشنایی با سرویس‌های AWS برای یادگیری ماشین
• 4. مفاهیم کلیدی در استقرار مدل‌ها
• 5. انتخاب زیرساخت مناسب برای استقرار
• 6. معیارهای انتخاب زیرساخت ابری
• 7. بررسی گزینه‌های استقرار در AWS
• 8. Amazon SageMaker چیست؟
• 9. مزایای استفاده از SageMaker برای استقرار
• 10. Amazon EC2 برای استقرار مدل‌ها
• 11. Amazon ECS و EKS برای کانتینرها
• 12. AWS Lambda برای توابع بدون سرور
• 13. شبکه‌سازی در AWS برای سرویس‌دهی مدل
• 14. امنیت در استقرار مدل‌های یادگیری ماشین
• 15. مدیریت دسترسی و مجوزها در AWS
• 16. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 17. استفاده از CloudWatch برای مانیتورینگ
• 18. ثبت وقایع با CloudTrail
• 19. بهینه‌سازی هزینه‌ها برای استقرار مدل
• 20. زیرساخت به عنوان کد (IaC) چیست؟
• 21. مزایای استفاده از IaC
• 22. AWS CloudFormation برای مدیریت زیرساخت
• 23. استفاده از Terraform در AWS
• 24. استقرار مدل‌های یادگیری ماشین با SageMaker Endpoints
• 25. انواع SageMaker Endpoints (Real-time, Batch Transform)
• 26. پیکربندی Real-time Endpoints
• 27. بهینه‌سازی عملکرد Real-time Endpoints
• 28. استقرار Batch Transform برای پردازش دسته‌ای
• 29. مدیریت نسخه‌های مدل در SageMaker
• 30. استقرار مدل‌های کانتینریزه شده
• 31. ساخت ایمیج‌های داکر برای مدل‌های یادگیری ماشین
• 32. ثبت ایمیج‌های داکر در Amazon ECR
• 33. استقرار مدل‌ها با استفاده از Amazon ECS
• 34. استقرار مدل‌ها با استفاده از Amazon EKS
• 35. استفاده از AWS Lambda برای استقرار مدل‌های سبک
• 36. ملاحظات امنیتی در استقرار مدل‌های Lambda
• 37. پیکربندی شبکه‌ای برای سرویس‌دهی مدل
• 38. استفاده از Elastic Load Balancing (ELB)
• 39. تنظیمات Auto Scaling برای Endpoints
• 40. مانیتورینگ عملکرد Endpoints با CloudWatch
• 41. پایش خطاها و استثناها
• 42. تنظیم هشدارها برای رویدادهای مهم
• 43. ثبت درخواست‌ها و پاسخ‌های API
• 44. مدیریت داده‌های ورودی و خروجی مدل
• 45. ذخیره‌سازی داده‌ها با Amazon S3
• 46. یکپارچه‌سازی S3 با SageMaker
• 47. امنیت داده‌ها در S3
• 48. مدیریت چرخه عمر داده‌ها در S3
• 49. مدل‌های پیشرفته استقرار
• 50. استقرار مدل‌های چندگانه
• 51. استقرار مدل‌های A/B Testing
• 52. استقرار Canary Deployments
• 53. استقرار Blue/Green Deployments
• 54. معماری‌های Serverless برای یادگیری ماشین
• 55. استفاده از API Gateway برای دسترسی به مدل‌ها
• 56. ترکیب Lambda و SageMaker برای معماری‌های پیچیده
• 57. اتوماسیون فرآیندهای استقرار
• 58. استفاده از AWS CodePipeline و CodeBuild
• 59. یکپارچه‌سازی CI/CD با SageMaker
• 60. استقرار مدل‌های لبه (Edge Deployment)
• 61. مفاهیم AWS IoT Greengrass
• 62. استقرار مدل‌ها بر روی دستگاه‌های لبه
• 63. مدیریت و به‌روزرسانی مدل‌های لبه
• 64. امنیت در استقرارهای لبه
• 65. مدیریت هزینه‌ها در استقرارهای لبه
• 66. ملاحظات عملیاتی برای مهندسان استقرار
• 67. اشکال‌زدایی (Debugging) مشکلات استقرار
• 68. مدیریت خطاها و بازیابی
• 69. بهینه‌سازی مقیاس‌پذیری سرویس‌ها
• 70. برنامه‌ریزی برای فاجعه (Disaster Recovery)
• 71. ملاحظات مربوط به مقررات و انطباق
• 72. استانداردهای امنیتی در AWS
• 73. مدیریت دسترسی مبتنی بر نقش (RBAC)
• 74. انطباق با قوانین داده‌ها
• 75. راهنمای عملی برای ساخت زیرساخت پایدار
• 76. انتخاب ابزارهای مناسب برای IaC
• 77. نکات کلیدی برای مدیریت مؤثر هزینه‌ها
• 78. بهترین شیوه‌ها برای مانیتورینگ و هشدار
• 79. استراتژی‌های مدیریت خطا و بازیابی
• 80. بررسی موارد استفاده واقعی از استقرار مدل
• 81. مطالعه موردی: استقرار مدل پیش‌بینی تقاضا
• 82. مطالعه موردی: استقرار مدل تشخیص تصویر
• 83. مطالعه موردی: استقرار مدل پردازش زبان طبیعی
• 84. آینده مهندسی استقرار مدل‌های یادگیری ماشین
• 85. نقش هوش مصنوعی در اتوماسیون استقرار
• 86. تکنیک‌های پیشرفته بهینه‌سازی عملکرد
• 87. نقش امنیت در معماری‌های آینده
• 88. جمع‌بندی و گام‌های بعدی برای مهندسان استقرار
• 89. مروری بر مفاهیم آموخته شده
• 90. توصیه‌هایی برای یادگیری مستمر
• 91. منابع بیشتر برای مطالعه و تمرین
• 92. مسیر شغلی مهندس استقرار مدل‌های یادگیری ماشین