دوره آموزشی تحلیلهای پیشرفته هوش مصنوعی بر روی AWS: آمازون Bedrock، Q، SageMaker Data Wrangler و QuickSight
1 ساعت 10 دقیقهپیشرفته2025-03-12
مدرسین
Noah Gift
MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO

Pragmatic AI Labs
جزئیات دوره
در این دوره، با نوا گیفت، متخصص MLOps (عملیات یادگیری ماشین) یاد میگیرید که چطور مهارتهای تحلیل دادهتون رو با استفاده از ابزارهای پیشرفته هوش مصنوعی در AWS ارتقا بدید. نوا به شما نشون میده چطور میتونید از Amazon Bedrock برای تحلیل پیشرفته کد و از Amazon SageMaker Data Wrangler برای پردازش کارآمد دادهها استفاده کنید. همچنین با Amazon Q و QuickSight آشنا میشید و یاد میگیرید چطور از این ابزارها برای بهبود و بهینهسازی گردش کار خود استفاده کنید.
در این دوره، با مثالهای عملی و سناریوهای واقعی آشنا میشید که نشون میده هوش مصنوعی چطور میتونه فرآیندهای موجود شما رو بهینهسازی کنه و هزینهها رو به طور قابل توجهی کاهش بده. شما یاد میگیرید چطور به طور خودکار ** anomalies** (انحرافات) رو شناسایی کنید، داستانهای بصری بسازید و یک روایت جامع از دادهها ایجاد کنید. همچنین متدولوژی استفاده از هوش مصنوعی برای بهبود فرآیندهای سنتی و افزایش عملکرد کلی رو خواهید آموخت.
این دوره بینشهای ارزشمندی به شما میده که چطور میتونید خط لوله تحلیل دادههای خودتون رو کارآمدتر و مقرون به صرفهتر کنید. بعد از اتمام دوره، قادر خواهید بود از ابزارهای هوش مصنوعی برای اتخاذ تصمیمات بهینه و دستیابی به نتایج تجاری بهتر استفاده کنید.
اهداف یادگیری:
استفاده از ابزارهای AWS و هوش مصنوعی برای بهبود مهارتهای تحلیل داده.
آشنایی با Amazon Bedrock و Amazon SageMaker Data Wrangler برای تحلیل کد و پردازش دادهها.
یادگیری نحوه استفاده از Amazon Q و QuickSight برای بهینهسازی گردش کار.
شناسایی خودکار anomalies و ایجاد داستانهای بصری از دادهها.
استفاده از هوش مصنوعی برای بهبود فرآیندهای سنتی و افزایش کارایی.
بهبود عملکرد کلی خط لوله تحلیل دادهها و کاهش هزینهها.
یادگیری چطور از ابزارهای هوش مصنوعی برای بهبود تصمیمگیریها استفاده کنید.
در این دوره، با مثالهای عملی و سناریوهای واقعی آشنا میشید که نشون میده هوش مصنوعی چطور میتونه فرآیندهای موجود شما رو بهینهسازی کنه و هزینهها رو به طور قابل توجهی کاهش بده. شما یاد میگیرید چطور به طور خودکار ** anomalies** (انحرافات) رو شناسایی کنید، داستانهای بصری بسازید و یک روایت جامع از دادهها ایجاد کنید. همچنین متدولوژی استفاده از هوش مصنوعی برای بهبود فرآیندهای سنتی و افزایش عملکرد کلی رو خواهید آموخت.
این دوره بینشهای ارزشمندی به شما میده که چطور میتونید خط لوله تحلیل دادههای خودتون رو کارآمدتر و مقرون به صرفهتر کنید. بعد از اتمام دوره، قادر خواهید بود از ابزارهای هوش مصنوعی برای اتخاذ تصمیمات بهینه و دستیابی به نتایج تجاری بهتر استفاده کنید.
اهداف یادگیری:
استفاده از ابزارهای AWS و هوش مصنوعی برای بهبود مهارتهای تحلیل داده.
آشنایی با Amazon Bedrock و Amazon SageMaker Data Wrangler برای تحلیل کد و پردازش دادهها.
یادگیری نحوه استفاده از Amazon Q و QuickSight برای بهینهسازی گردش کار.
شناسایی خودکار anomalies و ایجاد داستانهای بصری از دادهها.
استفاده از هوش مصنوعی برای بهبود فرآیندهای سنتی و افزایش کارایی.
بهبود عملکرد کلی خط لوله تحلیل دادهها و کاهش هزینهها.
یادگیری چطور از ابزارهای هوش مصنوعی برای بهبود تصمیمگیریها استفاده کنید.
مهارت ها
Amazon QAmazon BedrockAmazon SageMakerCloud DevelopmentData EngineeringAmazon Web Services (AWS)AmazonGenerative AIArtificial Intelligence FoundationsCloud ServicesData AnalysisArtificial Intelligence (AI)Cloud ComputingData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOne-Off
سرفصل ها
مقدمه و بررسی اجمالی
- 01 - معرفی و مرور دوره
1. خدمات AWS AI و اصول یکپارچه سازی
- 02 - مقدمه ای بر تجزیهوتحلیل با هوش مصنوعی در AWS
- 03 - تجسم ادغام تجزیهوتحلیل زنگ و بستر
- 04 - دمو عملی - تجزیهوتحلیل بستر با Rust
- 05 - تبدیل کدهای تجزیهوتحلیل پایتون به Rust با استفاده از GenAI
- 06 - ساخت خط لوله تبدیل کد هوشمند
- 07 - پیادهسازی ابزار دقیق کد با GenAI در AWS
- 08 - ادغام خط لوله عملکرد با GenAI
2. بهینهسازی عملکرد و ابزارهای تجزیه و تحلیل
- 09 - تجزیهوتحلیل هزینههای لامبدا - زنگ زدگی در مقابل رویکردهای سنتی
- 10 - محک زدن عملکرد لامبدا - Rust در مقابل پایتون با کلود
- 11 - استفاده از AWS Data Wrangler برای تجزیه و تحلیل
- 12 - بهینهسازی بهرهوری انرژی در حجم کاری تجزیهوتحلیل هوش مصنوعی
- 13 - ایجاد بینش زنده با تجزیهوتحلیل هوش مصنوعی آمازون Q
- 14 - راهاندازی محیطهای توسعه با کاتالیزور کد کیو آمازون
- 15 - ترجمه گردش کار تجزیهوتحلیل با Q - Python CLI نسخه ی نمایشی
نتیجه گیری
- 16 - خلاصه دوره و مراحل بعدی