تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی ذخیره‌سازی و پردازش داده مقیاس‌پذیر برای بارهای کاری هوش مصنوعی

دوره آموزشی ذخیره‌سازی و پردازش داده مقیاس‌پذیر برای بارهای کاری هوش مصنوعی

1 ساعت 30 دقیقهمتوسط2025-03-17

مدرسین

Janani Ravi

Janani Ravi

Certified Google Cloud Architect and Data Engineer

جزئیات دوره

راه‌حل‌های ذخیره‌سازی و پردازش داده‌ها خیلی مهم هستند، اما چطور می‌تونید اون‌ها رو به طور موثر در مقیاس بزرگ مدیریت کنید؟ در این دوره، جانانی راوی اصول طراحی و پیاده‌سازی سیستم‌های ذخیره‌سازی داده رو توضیح می‌ده که می‌تونن به طور کارآمد نیازهای مقیاس بزرگ برنامه‌های مبتنی بر هوش مصنوعی رو مدیریت کنن. با تکنیک‌هایی برای مدیریت، پردازش و بهینه‌سازی جریان داده‌ها در محیط‌های توزیع‌شده آشنا می‌شید تا از اجرای پرکارآیی مدل‌های هوش مصنوعی مطمئن بشید. این دوره برای حرفه‌ای‌های فناوری که با هوش مصنوعی، زیرساخت داده‌ها و عملیات یادگیری ماشین کار می‌کنن طراحی شده و شما رو با مهارت‌هایی تجهیز می‌کنه که به شما کمک می‌کنه نه تنها داده‌ها رو مدیریت کنید، بلکه بارهای کاری هوش مصنوعی خودتون رو بهینه کنید.

اهداف یادگیری:
آشنایی با اصول طراحی سیستم‌های ذخیره‌سازی داده: یاد می‌گیرید که چطور سیستم‌های ذخیره‌سازی داده‌ها رو طوری طراحی کنید که بتونند به طور موثر نیازهای مقیاس بزرگ برنامه‌های هوش مصنوعی رو پوشش بدن.
مدیریت داده‌ها در محیط‌های توزیع‌شده: با روش‌ها و تکنیک‌هایی برای مدیریت و پردازش داده‌ها در محیط‌های توزیع‌شده آشنا می‌شید.
بهینه‌سازی جریان داده‌ها: یاد می‌گیرید که چطور جریان داده‌ها رو برای اطمینان از عملکرد بالا در اجرای مدل‌های هوش مصنوعی بهینه کنید.
پیشرفت در مدیریت بارهای کاری هوش مصنوعی: مهارت‌های لازم برای بهینه‌سازی و مدیریت کارآمد بارهای کاری هوش مصنوعی و یادگیری ماشین رو بدست می‌آرید.
افزایش کارایی در اجرای مدل‌های هوش مصنوعی: تکنیک‌هایی برای بهینه‌سازی عملکرد مدل‌های هوش مصنوعی و پردازش داده‌ها در مقیاس بزرگ یاد می‌گیرید.
توانمندسازی در کار با زیرساخت‌های داده: یاد می‌گیرید که چگونه با زیرساخت‌های داده کار کنید و اون‌ها رو برای پردازش کارآمد مدل‌های هوش مصنوعی تنظیم کنید.

مهارت ها

Cloud StorageData EngineeringArtificial Intelligence FoundationsArtificial Intelligence (AI)Cloud ComputingData ScienceOne-Off

سرفصل ها

0. مقدمه

  • 01 - راه حل‌های مقیاس پذیر برای ذخیره‌سازی و پردازش
  • 02 - پیش نیازها

1. انواع داده‌ها و الزامات ذخیره سازی

  • 03 - انواع داده‌ها - ساختاریافته، نیمه ساختار یافته و بدون ساختار
  • 04 - درک داده‌های ساخت یافته
  • 05 - درک داده‌های نیمه ساختار یافته
  • 06 - درک داده‌های بدون ساختار

2. ذخیره‌سازی داده‌ها در خط لوله هوش مصنوعی

  • 07 - الزامات ذخیره‌سازی در خط لوله هوش مصنوعی
  • 08 - ذخیره‌سازی داده‌ها در گردش کار هوش مصنوعی
  • 09 - ملاحظات ذخیره‌سازی هوش مصنوعی
  • 10 - بهترین شیوه‌های ذخیره‌سازی هوش مصنوعی
  • 11 - فضای ذخیره‌سازی ابری در Google Cloud
  • 12 - ذخیره‌سازی اشیاء با آمازون S3
  • 13 - ذخیره‌سازی Blob در Azure

3. پایگاه‌های داده برداری و RAG ها

  • 14 - نسل افزوده بازیابی
  • 15 - پایگاه داده‌های برداری و جاسازی ها
  • 16 - جستجوی معنایی با Pinecone

4. حجم کاری و پردازش هوش مصنوعی

  • 17 - انواع بار کاری هوش مصنوعی
  • 18 - بهترین شیوه‌ها برای بهینه‌سازی حجم کاری هوش مصنوعی
  • 19 - بارهای کاری هوش مصنوعی روی ابر

نتیجه گیری

  • 20 - خلاصه و مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal