دوره آموزشی آمادگی برای آزمون گواهینامه Microsoft Azure Data Scientist Associate (DP-100)
1 ساعت 43 دقیقهمتوسط2025-06-18
مدرسین
Noah Gift
MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO
جزئیات دوره
توی این دوره جامع، نوآ گیفت، یکی از متخصصهای حرفهای حوزه MLOps، کمکت میکنه تا برای آزمون رسمی Microsoft Azure Data Scientist Associate (DP-100) به خوبی آماده بشی.
اگه میخوای وارد دنیای یادگیری ماشین در فضای ابری بشی، این دوره دقیقاً همون چیزیه که نیاز داری.
تو این دوره یاد میگیری چطور یه راهکار یادگیری ماشین رو از پایه طراحی و پیادهسازی کنی. اولین قدم، ساختن یه Azure Machine Learning Workspace حرفهایه. بعد میری سراغ آمادهسازی دادهها، اجرا کردن آزمایشها، ساختن مدل با استفاده از Python SDK و تمرین روی ماشین محاسباتی (Compute Instance).
نکته خوبش اینه که فقط تئوری نمیخونی؛ خودت قدمبهقدم مدل رو آموزش میدی، منتشرش میکنی و یاد میگیری چطوری تو محیط واقعی ازش استفاده کنی.
علاوه بر این، وارد دنیای مدلهای زبانی (Language Models) هم میشی و یاد میگیری چطوری اونها رو برای کاربردهای هوش مصنوعی بهینهسازی کنی. این بخش مخصوصاً به درد کسایی میخوره که میخوان در آینده با ChatGPT، Copilot، یا ابزارهای مشابه کار کنن.
🎯 اهداف یادگیری
آمادگی کامل برای آزمون DP-100
طراحی و ساخت محیط کاری در Azure ML
آمادهسازی و تحلیل داده برای مدلهای یادگیری ماشین
اجرا و مانیتور کردن آزمایشهای ML با Compute Instance
آموزش مدل با Python SDK و ارزیابی عملکرد
انتشار و استقرار (Deploy) مدلها در محیط Azure
آشنایی با ابزارها و تکنیکهای بهینهسازی مدلهای زبانی (LLMs)
کار با مدلهای کاربردی هوش مصنوعی در فضای ابری
اگه میخوای وارد دنیای یادگیری ماشین در فضای ابری بشی، این دوره دقیقاً همون چیزیه که نیاز داری.
تو این دوره یاد میگیری چطور یه راهکار یادگیری ماشین رو از پایه طراحی و پیادهسازی کنی. اولین قدم، ساختن یه Azure Machine Learning Workspace حرفهایه. بعد میری سراغ آمادهسازی دادهها، اجرا کردن آزمایشها، ساختن مدل با استفاده از Python SDK و تمرین روی ماشین محاسباتی (Compute Instance).
نکته خوبش اینه که فقط تئوری نمیخونی؛ خودت قدمبهقدم مدل رو آموزش میدی، منتشرش میکنی و یاد میگیری چطوری تو محیط واقعی ازش استفاده کنی.
علاوه بر این، وارد دنیای مدلهای زبانی (Language Models) هم میشی و یاد میگیری چطوری اونها رو برای کاربردهای هوش مصنوعی بهینهسازی کنی. این بخش مخصوصاً به درد کسایی میخوره که میخوان در آینده با ChatGPT، Copilot، یا ابزارهای مشابه کار کنن.
🎯 اهداف یادگیری
آمادگی کامل برای آزمون DP-100
طراحی و ساخت محیط کاری در Azure ML
آمادهسازی و تحلیل داده برای مدلهای یادگیری ماشین
اجرا و مانیتور کردن آزمایشهای ML با Compute Instance
آموزش مدل با Python SDK و ارزیابی عملکرد
انتشار و استقرار (Deploy) مدلها در محیط Azure
آشنایی با ابزارها و تکنیکهای بهینهسازی مدلهای زبانی (LLMs)
کار با مدلهای کاربردی هوش مصنوعی در فضای ابری
مهارت ها
Cloud DevelopmentMachine LearningCloud AdministrationAzureCert PrepArtificial Intelligence (AI)Cloud ComputingMicrosoft
سرفصل ها
۰. مقدمه
- 01 - بررسی اجمالی
- 02 - فناوری پیشنیاز
دامنه ۱ - طراحی و آمادهسازی یک راهکار یادگیری ماشینی
- 03 - مشخصات محاسباتی مناسب برای حجم کار آموزشی را تعیین کنید
- 04 - ایجاد یک فضای کاری یادگیری ماشین Azure
- 05 - مدیریت فضای کاری با استفاده از ابزارهای توسعهدهندگان برای تعامل با فضای کاری
- 06 - ایجاد و مدیریت داراییهای داده
- 07 - ایجاد اهداف محاسباتی برای آزمایشها و آموزش
- 08 - نظارت بر میزان استفاده از محاسبات
دامنه ۲ - کاوش دادهها و مدلهای آموزشی
- 09 - بارگذاری و تبدیل دادهها
- 10 - تجزیهوتحلیل دادهها با استفاده از Azure Data Explorer
- 11 - نسخه آزمایشی - کاوشگر داده Azure
- 12 - استفاده از دادههای موجود در طراح
- 13 - از یادگیری ماشین خودکار برای دادههای جدولی استفاده کنید
- 14 - توسعه کد با استفاده از یک نمونه محاسباتی
- 15 - مصرف داده در یک دفترچه یادداشت
- 16 - آموزش یک مدل با استفاده از SDK پایتون
- 17- تکنیکهایی برای کار با بهینهسازی فراپارامتری
دامنه ۳ - آمادهسازی مدل برای استقرار
- 18 - پیکربندی محاسبه برای اجرای یک کار
- 19 - مصرف دادهها از یک دارایی داده در یک کار
- 20 - اجرای یک اسکریپت به عنوان یک کار با استفاده از یادگیری ماشینی Azure
- 21 - استفاده از MLflow برای ثبت معیارهای یک اجرای کار
- 22 - خروجی مدل MLflow را شرح دهید
- 23 - شناسایی یک چارچوب مناسب برای بستهبندی یک مدل
- 24- گردش کار مدل MLflow را در Databricks شرح دهید
دامنه ۴ - استقرار و آموزش مجدد یک مدل
- 25 - پیکربندی محاسبه برای استقرار دستهای
- 26 - استقرار یک مدل در یک نقطه پایانی دستهای
- 27 - تست یک سرویس مستقر در لحظه
- 28 - اعمال شیوههای عملیات یادگیری ماشین (MLops)
- 29 - راهاندازی یک پایپلاین یادگیری ماشینی Azure، از جمله از Azure DevOps یا GitHub
- 30 - نتیجهگیری
دوره های مرتبط
- دوره آموزشی آمادگی برای مدرک AWS Certified Solutions Architect - Associate (SAA-C03)
- دوره آموزشی جریانسازی دادههای اینترنت اشیا با Azure Serverless و هوش مصنوعی
- دوره آموزشی Azure Event Hubs برای توسعهدهندگان
- دوره آموزشی راهنمای کامل مدیریت Jira: پیکربندی، مدیریت و خودکارسازی
- دوره آموزشی راهنمای کامل توسعه اپلیکیشن وب بدون سرور در AWS
- دوره آموزشی خودکارسازی پردازش اسناد با هوش مصنوعی در AWS
- دوره آموزشی آمادگی برای آزمون گواهینامه AWS Certified Developer - Associate (DVA-C02)
- دوره آموزشی آمازون SageMaker برای کاربردهای هوش مصنوعی مولد