تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی آمادگی برای گواهی‌نامه مهندس یادگیری ماشین حرفه‌ای گوگل کلود

دوره آموزشی آمادگی برای گواهی‌نامه مهندس یادگیری ماشین حرفه‌ای گوگل کلود

7 ساعت 9 دقیقهپیشرفته2025-03-13

مدرسین

Noah Gift

Noah Gift

MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO

جزئیات دوره

رفتن مدرک مهندس حرفه‌ای یادگیری ماشین گوگل کلود این رو تایید می‌کنه که شما می‌تونید با استفاده از قابلیت‌های گوگل کلود و دانش روش‌های مرسوم یادگیری ماشین (ML)، راه‌حل‌های هوش مصنوعی رو بسازید، ارزیابی کنید، به تولید برسونید و بهینه‌سازی کنید. در این دوره، نوآ گِیفت شما رو برای دریافت این مدرک آماده می‌کنه. او ابتدا یک مروری از امتحان به شما می‌ده، از جمله فرمت امتحان، زمان مورد نیاز برای اتمام امتحان و نحوه و مکان‌های برگزاری امتحان. سپس نوآ به شش بخش امتحان پرداخته و تمام اطلاعاتی که باید در مورد موضوعات زیر بدونید رو توضیح می‌ده:

طراحی راه‌حل‌های یادگیری ماشین با کد کم (Low-code ML solutions)

همکاری درون تیمی و بین تیم‌ها برای مدیریت داده‌ها و مدل‌ها

مقیاس‌دهی نمونه‌های اولیه به مدل‌های یادگیری ماشین

سرویس‌دهی و مقیاس‌دهی مدل‌ها

اتوماسیون و اورکستراسیون خطوط لوله یادگیری ماشین (ML pipelines)

نظارت و پایش راه‌حل‌های یادگیری ماشین

🎯 اهداف یادگیری:
آشنایی با فرمت امتحان مدرک مهندس یادگیری ماشین گوگل کلود و نحوه آمادگی برای آن.

طراحی و ایجاد راه‌حل‌های یادگیری ماشین با کد کم برای کار با مدل‌ها.

یادگیری روش‌های همکاری در تیم‌ها برای مدیریت داده‌ها و مدل‌ها.

گسترش نمونه‌های اولیه به مدل‌های مقیاس‌پذیر.

سرویس‌دهی و مقیاس‌دهی مدل‌ها برای استفاده در دنیای واقعی.

یادگیری نحوه اتوماسیون و اورکستراسیون خطوط لوله یادگیری ماشین برای افزایش کارایی.

نحوه نظارت و پایش مدل‌های یادگیری ماشین برای اطمینان از عملکرد بهینه.

مهارت ها

Google Cloud PlatformMachine LearningSoftware Development ToolsGoogleCloud PlatformsCert PrepArtificial Intelligence (AI)Cloud ComputingSoftware Development

سرفصل ها

۰. مقدمه

  • 01 - مرور کلی دوره و آزمون مهندس یادگیری ماشین حرفه‌ای گوگل
  • 02 - چارچوب‌بندی مسائل یادگیری ماشین - اصطلاحات کلیدی

۱. تبدیل چالش‌های کسب‌وکار به موارد استفاده یادگیری ماشینی

  • 03 - ساخت گردش‌های کاری مبتنی بر هوش مصنوعی
  • 04 - استفاده از ابزارهای هوش مصنوعی برای ساخت ابزارهای هوش مصنوعی
  • 05 - آموزش MLOps در مقیاس بزرگ با GitHub

۲. تعریف مسائل یادگیری ماشینی

  • 06 - شبیه‌سازی‌ها در مقابل ردیابی آزمایش
  • 07 - چه زمانی از ML استفاده کنیم
  • 08 - یادگیری ماشینی تحت نظارت در مقابل یادگیری ماشینی بدون نظارت
  • 09 - بهینه سازی
  • 10 - خوشه‌بندی

۳. تعریف معیارهای موفقیت کسب و کار

  • 11 - تعریف معیارهای موفقیت کسب و کار

۴. شناسایی ریسک‌های مربوط به امکان‌پذیری راه‌حل‌های یادگیری ماشینی

  • 12 - سلسله مراتب نیازهای MLOps
  • 13 - هزینه‌های پنهان سیستم‌های سفارشی
  • 14 - مسمومیت با داده‌ها

۵. نتیجه‌گیری - چارچوب‌بندی مسائل یادگیری ماشینی

  • 15 - چارچوب‌بندی مسائل یادگیری ماشین - مراحل بعدی

۶. مقدمه - معماری یک راهکار یادگیری ماشینی

  • 16 - معماری یک راهکار یادگیری ماشینی - مرور کلی
  • 17 - معماری یک راهکار یادگیری ماشینی - اصطلاحات کلیدی
  • 18 - مزیت فضای کاری توسعه‌دهندگان ابری

۷. طراحی یک راهکار یادگیری ماشینی قابل اعتماد، مقیاس‌پذیر و با دسترسی بالا

  • 19 - تحویل مداوم چیست؟
  • 20 - میکروسرویس‌های یادگیری ماشینی کانتینری
  • 21- طرز فکر SRE برای MLOps
  • 22 - گردش کار قابل تکرار
  • 23 - ادغام مداوم را بیاموزید

۸. انتخاب قطعات سخت‌افزاری مناسب برای گوگل کلود

  • 24- انتخاب MLOps سنگین در مقابل سبک
  • 25 - اجزای کلیدی چشم‌انداز MLOps
  • 26- انبار ویژگی در مقابل انبار داده
  • 27 - محاسبه انتخاب

۹. نتیجه‌گیری - معماری یک راهکار یادگیری ماشینی

  • 28 - معماری یک راهکار یادگیری ماشینی - مراحل بعدی

۱۰. مقدمه - طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها

  • 29- طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها - مرور کلی
  • 30- طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها - اصطلاحات کلیدی
  • 31 - نصب روی GCP

۱۱. کاوش داده‌ها

  • 32 - گوگل کولب چیست؟
  • 33- تحلیل اکتشافی داده‌ها برای امید به زندگی
  • 34 - راه‌اندازی علم داده با virtualenv و pip در ویندوز
  • 35- رسم نمودار داده‌ها برای تحلیل اکتشافی داده‌ها

۱۲. ساخت خطوط لوله داده

  • 36 - برچسب‌گذاری داده‌ها
  • 37- برچسب گذاری مکانیکی ترک
  • 38 - پاکسازی داده‌ها
  • 39 - مقیاس‌بندی داده‌ها
  • 40 - خطوط لوله داده BigQuery با Colab

۱۳. ایجاد ویژگی‌های ورودی

  • 41- مفاهیم مهندسی ویژگی
  • 42 - استخراج ویژگی‌ها از مجموعه داده‌های عمومی
  • 43 - تحلیل اکتشافی داده‌ها با Google BigQuery

۱۴. نتیجه‌گیری - طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها

  • 44- طراحی سیستم‌های آماده‌سازی و پردازش داده‌ها - مراحل بعدی

۱۵. مقدمه - توسعه مدل‌های یادگیری ماشینی

  • 45- توسعه مدل‌های یادگیری ماشین - مرور کلی
  • 46- توسعه مدل‌های یادگیری ماشین - اصطلاحات کلیدی

۱۶. ساخت مدل‌ها

  • 47- استفاده از TensorFlow Playground
  • 48- بیش‌برازش در مقابل کم‌برازش
  • 49 - انتخاب معیارهای مناسب

۱۷. مدل‌های آموزشی

  • 50 - آموزش مدل‌ها با TensorFlow و یک Docker مجهز به GPU
  • 51- تنظیم دقیق مواد اولیه با Hugging Face
  • 52- مزایای یادگیری انتقالی

۱۸. آموزش و سرویس زدن با مدل مقیاس‌بندی

  • 53 - عملیاتی کردن میکروسرویس‌ها
  • 54 - نظارت و ثبت وقایع با Rust در Google App Engine
  • 55 - ادغام مداوم با استفاده از Rust با اقدامات GitHub
  • 56 - نسخه آزمایشی - تست واحد Rust
  • 57 - نسخه آزمایشی - گیت‌هاب - Rust با قابلیت کمک‌خلبان
  • 58 - راه‌اندازی یک ایستگاه کاری GCP با پایتون
  • 59 - نسخه آزمایشی - پوسته ابری گوگل
  • 60 - نسخه آزمایشی - ویرایشگر ابری گوگل
  • 61 - نسخه آزمایشی - کیت توسعه نرم‌افزار خط فرمان گوگل
  • 62 - نسخه آزمایشی - رابط خط فرمان گوگل gcloud
  • 63 - نسخه آزمایشی - استقرار Rust در موتور برنامه گوگل
  • 64 - نسخه نمایشی - Google App Engine Golang

۱۹. نتیجه‌گیری - توسعه مدل‌های یادگیری ماشینی

  • 65- توسعه مدل‌های یادگیری ماشین - مراحل بعدی

۲۰. مقدمه - خودکارسازی و هماهنگ‌سازی خطوط لوله یادگیری ماشین

  • 66 - خودکارسازی و هماهنگ‌سازی خطوط لوله یادگیری ماشین - مرور کلی
  • 67 - خودکارسازی و هماهنگ‌سازی خطوط لوله یادگیری ماشین - اصطلاحات کلیدی

۲۱. طراحی و پیاده‌سازی خطوط لوله آموزشی

  • 68 - مهندسی سریع برای Google BigQuery با ChatGPT 4
  • 69- شروع کار با هوش مصنوعی ورتکس
  • 70- آشنایی با TPU ها
  • 71 - TPUها به عنوان یک گذار فناوری
  • 72 - نسخه آزمایشی - TPU، PyTorch و MNIST

۲۲. پیاده‌سازی خطوط لوله‌ی سرویس‌دهی

  • 73 - سرویس‌دهی TensorFlow با یک Docker مجهز به GPU
  • 74 - مروری بر میکروسرویس‌های Rust و PyTorch
  • 75 - نسخه آزمایشی - میکروسرویس PyTorch از پیش آموزش دیده Rust

۲۳. نتیجه‌گیری - خودکارسازی و هماهنگ‌سازی خطوط لوله یادگیری ماشین

  • 76 - خودکارسازی و هماهنگ‌سازی خطوط لوله یادگیری ماشین - مراحل بعدی

۲۴. مقدمه - نظارت، بهینه‌سازی و نگهداری راهکارهای یادگیری ماشینی

  • 77 - نظارت، بهینه‌سازی و نگهداری راهکارهای یادگیری ماشینی - مرور کلی
  • 78 - نظارت، بهینه‌سازی و نگهداری راه‌حل‌های یادگیری ماشینی - اصطلاحات کلیدی

۲۵. راهکارهای یادگیری ماشینی

  • 79- رانش داده‌ها با مشکل کودک شیطان توضیح داده می‌شود
  • 80 - تست بار با Locust
  • 81 - نسخه آزمایشی - حسابرسی از طریق گزارش‌ها
  • 82 - نسخه آزمایشی - داشبورد ثبت وقایع
  • 83 - نسخه آزمایشی - اسکنر امنیت وب ابری
  • 84 - نسخه آزمایشی - کوئری گرفتن از خروجی ثبت وقایع با BigQuery
  • 85 - نسخه آزمایشی - تست بارگذاری با Rust
  • 86- پنج چرا
  • 87- استفاده از دوره‌های گوگل
  • 88- ساخت یک مترجم با Rust و Hugging Face
  • 89- استفاده از PyTorch و Rust برای انتشار پایدار
  • 90- استفاده از Rust با PyTorch
  • 91 - ساخت یک تست استرس GPU برای CUDA

نتیجه‌گیری

  • 92 - مراحل بعدی

دوره های 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