کتاب صوتی استقرار و مدیریت چرخه عمر مدل‌های هوش مصنوعی در Vertex AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار و مدیریت چرخه عمر مدل‌های هوش مصنوعی در Vertex AI

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Google AI Platform (Vertex AI)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر چرخه عمر مدل‌های هوش مصنوعی
• 3. معرفی پلتفرم Vertex AI
• 4. معماری و اجزای Vertex AI
• 5. مراحل استقرار مدل در Vertex AI
• 6. پیش‌پردازش داده‌ها برای مدل‌های هوش مصنوعی
• 7. انتخاب و مهندسی ویژگی‌ها
• 8. آموزش مدل‌های یادگیری ماشین در Vertex AI
• 9. انواع مدل‌های یادگیری ماشین
• 10. مدل‌های یادگیری نظارت شده
• 11. مدل‌های یادگیری بدون نظارت
• 12. مدل‌های یادگیری تقویتی
• 13. آموزش مدل‌های یادگیری عمیق
• 14. شبکه‌های عصبی کانولوشنی (CNN)
• 15. شبکه‌های عصبی بازگشتی (RNN)
• 16. ترنسفورمرها و مدل‌های زبانی بزرگ
• 17. تنظیم ابرپارامترها و بهینه‌سازی مدل
• 18. اعتبارسنجی و ارزیابی مدل
• 19. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 20. معیارهای ارزیابی مدل‌های رگرسیون
• 21. مدیریت نسخه مدل‌ها در Vertex AI
• 22. رابط کاربری Vertex AI Model Registry
• 23. عملیات مدل (MLOps)
• 24. اصول MLOps برای چرخه عمر مدل
• 25. اتوماسیون فرآیند MLOps
• 26. نظارت بر عملکرد مدل در زمان اجرا
• 27. شناسایی انحراف داده (Data Drift)
• 28. شناسایی انحراف مدل (Model Drift)
• 29. بازآموزی مدل‌ها
• 30. استقرار مدل‌های تولیدی (Production Deployment)
• 31. استقرار مدل‌های دسته‌ای (Batch Prediction)
• 32. استقرار مدل‌های بلادرنگ (Online Prediction)
• 33. استقرار مدل‌ها بر روی دستگاه‌های لبه (Edge Deployment)
• 34. مدیریت دسترسی و امنیت در Vertex AI
• 35. کنترل دسترسی مبتنی بر نقش (RBAC)
• 36. امنیت داده‌ها و رمزنگاری
• 37. مدیریت هزینه‌ها در Vertex AI
• 38. بهینه‌سازی استفاده از منابع
• 39. نظارت بر هزینه‌ها و گزارش‌دهی
• 40. ملاحظات اخلاقی در هوش مصنوعی
• 41. سوگیری در داده‌ها و مدل‌ها
• 42. شفافیت و قابلیت تفسیر مدل‌ها
• 43. حریم خصوصی داده‌ها
• 44. کاربرد هوش مصنوعی در حوزه‌های مختلف
• 45. هوش مصنوعی در پردازش زبان طبیعی (NLP)
• 46. هوش مصنوعی در بینایی ماشین (Computer Vision)
• 47. هوش مصنوعی در سیستم‌های توصیه‌گر
• 48. هوش مصنوعی در تحلیل داده‌های کلان
• 49. معماری‌های پیشرفته برای استقرار مدل
• 50. استقرار مدل‌های چند-خروجی
• 51. استقرار مدل‌های ترکیبی
• 52. مدیریت زیرساخت برای استقرار مدل
• 53. استفاده از کانتینرها (Docker)
• 54. استفاده از Kubernetes
• 55. بهینه‌سازی عملکرد استقرار
• 56. کاهش زمان تأخیر (Latency)
• 57. افزایش توان عملیاتی (Throughput)
• 58. مراحل پیشرفته MLOps
• 59. مدیریت خطوط لوله (Pipelines) در Vertex AI
• 60. استفاده از Vertex AI Pipelines
• 61. اتوماسیون فرآیندهای MLOps
• 62. نظارت و هشداردهی پیشرفته
• 63. ابزارهای نظارتی در Vertex AI
• 64. تنظیم هشدارهای سفارشی
• 65. واکنش به انحراف مدل
• 66. مدیریت داده‌ها در چرخه عمر مدل
• 67. ذخیره‌سازی و مدیریت مجموعه داده‌ها
• 68. ردیابی آزمایش‌ها (Experiment Tracking)
• 69. توصیف‌گرهای داده (Data Lineage)
• 70. تست مدل‌ها قبل از استقرار
• 71. تست واحد برای کد مدل
• 72. تست یکپارچه‌سازی برای خطوط لوله
• 73. تست عملکرد و بار (Load Testing)
• 74. استقرار مدل‌های A/B و Canary
• 75. تکنیک‌های استقرار پیشرفته
• 76. مدیریت بازخورد کاربران
• 77. جمع‌آوری و پردازش بازخورد
• 78. استفاده از بازخورد برای بازآموزی
• 79. مبانی یادگیری تقویتی و کاربرد آن
• 80. اصول بهینه‌سازی در یادگیری تقویتی
• 81. استفاده از یادگیری تقویتی در Vertex AI
• 82. مدل‌های پیش‌بینی سری زمانی
• 83. آموزش و استقرار مدل‌های سری زمانی
• 84. کاربرد مدل‌های سری زمانی در پیش‌بینی
• 85. امنیت در استقرار مدل‌های هوش مصنوعی
• 86. مقاومت در برابر حملات
• 87. حفاظت از مدل‌ها در برابر دستکاری
• 88. مدیریت ریسک در چرخه عمر مدل
• 89. شناسایی و ارزیابی ریسک‌ها
• 90. کاهش و نظارت بر ریسک‌ها
• 91. مبانی یادگیری انتقالی (Transfer Learning)
• 92. کاربرد یادگیری انتقالی در Vertex AI
• 93. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 94. مدیریت تعاملات کاربر با مدل‌ها
• 95. طراحی رابط کاربری برای نتایج مدل
• 96. ارائه توضیحات برای پیش‌بینی‌ها
• 97. مبانی داده‌کاوی و کشف الگو
• 98. کاربرد داده‌کاوی در هوش مصنوعی
• 99. ابزارهای داده‌کاوی در Vertex AI
• 100. اصول مدل‌سازی پیش‌بینانه