کتاب صوتی طراحی و پیاده‌سازی پلتفرم‌های مقیاس‌پذیر یادگیری ماشین در سطح سازمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی پلتفرم‌های مقیاس‌پذیر یادگیری ماشین در سطح سازمانی

موضوع کلی: مهندسی نرم‌افزار و فناوری اطلاعات

موضوع میانی: پلتفرم‌های یادگیری ماشین عملیاتی (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی نرم‌افزار در مقیاس سازمانی
• 2. مبانی یادگیری ماشین عملیاتی (MLOps)
• 3. مفاهیم کلیدی در MLOps
• 4. چرخه حیات پروژه‌های یادگیری ماشین
• 5. نقش MLOps در توسعه نرم‌افزار
• 6. اصول طراحی پلتفرم‌های MLOps
• 7. معماری پلتفرم‌های MLOps
• 8. اجزای اصلی یک پلتفرم MLOps
• 9. مدیریت داده در MLOps
• 10. مخازن داده و خطوط لوله داده
• 11. نسخه‌بندی داده‌ها
• 12. کیفیت و اعتبارسنجی داده‌ها
• 13. مهندسی ویژگی (Feature Engineering)
• 14. مدیریت ویژگی‌ها (Feature Store)
• 15. آزمایش و ردیابی آزمایش‌ها (Experiment Tracking)
• 16. ابزارهای ردیابی آزمایش
• 17. مدیریت مدل‌ها (Model Management)
• 18. ثبت و نسخه‌بندی مدل‌ها
• 19. اعتبارسنجی و تست مدل‌ها
• 20. استقرار مدل‌ها (Model Deployment)
• 21. استراتژی‌های استقرار مدل
• 22. استقرار مدل در محیط‌های تولید
• 23. نظارت بر مدل‌ها (Model Monitoring)
• 24. نشانگرهای عملکرد مدل
• 25. تشخیص انحراف داده و مدل
• 26. بازآموزی مدل‌ها (Model Retraining)
• 27. خطوط لوله بازآموزی خودکار
• 28. مدیریت ریسک در MLOps
• 29. امنیت در پلتفرم‌های MLOps
• 30. مدیریت دسترسی و مجوزها
• 31. حاکمیت داده و مدل
• 32. استانداردسازی در MLOps
• 33. اتوماسیون در MLOps
• 34. ابزارهای متن‌باز برای MLOps
• 35. پلتفرم‌های ابری برای MLOps
• 36. خدمات MLOps در AWS
• 37. خدمات MLOps در Azure
• 38. خدمات MLOps در Google Cloud
• 39. طراحی یک پلتفرم MLOps سفارشی
• 40. انتخاب ابزارها و فناوری‌ها
• 41. یکپارچه‌سازی ابزارها
• 42. ملاحظات مقیاس‌پذیری
• 43. مدیریت منابع محاسباتی
• 44. بهینه‌سازی هزینه در MLOps
• 45. ملاحظات عملیاتی و نگهداری
• 46. مستندسازی پلتفرم MLOps
• 47. تیم‌سازی برای MLOps
• 48. فرهنگ سازمانی در MLOps
• 49. موفقیت در پیاده‌سازی MLOps
• 50. مطالعات موردی MLOps
• 51. MLOps در صنعت مالی
• 52. MLOps در حوزه سلامت
• 53. MLOps در تجارت الکترونیک
• 54. MLOps در تولید
• 55. مقدمه‌ای بر یادگیری عمیق
• 56. شبکه‌های عصبی کانولوشنال (CNN)
• 57. شبکه‌های عصبی بازگشتی (RNN)
• 58. ترنسفورمرها و مدل‌های زبانی بزرگ
• 59. کاربرد یادگیری عمیق در پردازش تصویر
• 60. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 61. مقدمه‌ای بر یادگیری تقویتی
• 62. مفاهیم کلیدی در یادگیری تقویتی
• 63. الگوریتم‌های یادگیری تقویتی
• 64. کاربرد یادگیری تقویتی
• 65. مقدمه‌ای بر مهندسی داده
• 66. پاکسازی و پیش‌پردازش داده‌ها
• 67. تحلیل اکتشافی داده‌ها (EDA)
• 68. مصورسازی داده‌ها
• 69. مقدمه‌ای بر مهندسی نرم‌افزار توزیع‌شده
• 70. معماری میکروسرویس
• 71. ارتباط بین سرویس‌ها
• 72. مدیریت وضعیت در سیستم‌های توزیع‌شده
• 73. قابلیت اطمینان و تحمل خطا
• 74. پروتکل‌های ارتباطی
• 75. مقدمه‌ای بر DevOps
• 76. فرهنگ و اصول DevOps
• 77. ابزارهای DevOps
• 78. پیوسته‌سازی و تحویل پیوسته (CI/CD)
• 79. زیرساخت به عنوان کد (IaC)
• 80. مانیتورینگ و لاگینگ در DevOps
• 81. امنیت در DevOps
• 82. تست خودکار در DevOps
• 83. مدیریت پیکربندی
• 84. مقدمه‌ای بر معماری نرم‌افزار
• 85. الگوهای طراحی نرم‌افزار
• 86. معماری‌های لایه‌ای
• 87. معماری رویدادمحور
• 88. معماری میکروسرویس
• 89. معماری‌های مدرن
• 90. مقدمه‌ای بر امنیت سایبری
• 91. مفاهیم پایه‌ای امنیت
• 92. رمزنگاری
• 93. امنیت شبکه
• 94. امنیت برنامه‌های کاربردی
• 95. مدیریت ریسک امنیتی
• 96. مبانی هوش مصنوعی و یادگیری ماشین
• 97. یادگیری نظارت‌شده
• 98. یادگیری نظارت‌نشده
• 99. یادگیری نیمه‌نظارت‌شده
• 100. یادگیری تقویتی