دوره آموزشی
آموزش های لینکدین لرنینگ
دوبله زبان فارسی

آمادگی برای گواهینامه AWS Certified Machine Learning Engineer Associate (MLA-C01)

آمادگی برای گواهینامه AWS Certified Machine Learning Engineer Associate (MLA-C01)

✅ سرفصل و جزئیات آموزش

آزمون گواهینامه AWS Certified Machine Learning Engineer - Associate، توانایی‌های شما در ساخت، عملیاتی‌سازی، استقرار و نگهداری راه‌حل‌ها و پایپ‌لاین‌های یادگیری ماشین (ML) را با استفاده از AWS Cloud اعتبارسنجی می‌کند.

با این دوره به‌ راحتی برای این آزمون آماده شوید و می‌آموزید که چگونه داده‌ را وارد کنید، تبدیل کنید، اعتبارسنجی کنید و برای مدل‌سازی یادگیری ماشین آماده سازید، رویکردهای کلی مدل‌سازی را انتخاب کنید، مدل‌ها را آموزش دهید، هایپرپارامترها را تیونینگ کنید، عملکرد مدل را تحلیل کنید و نسخه‌های مدل را مدیریت نمایید، زیرساخت و اندپوینت‌های استقرار را انتخاب کنید، منابع رایانش را تامین کنید و بر اساس الزامات، مقیاس‌بندی خودکار را پیکربندی کنید.

شما همچنین می‌توانید پایپ‌لاین‌های یکپارچه‌سازی مداوم و تحویل مداوم (CI/CD) را راه‌اندازی کنید تا ارکستراسیون گردش‌کارهای یادگیری ماشین را خودکار کنید، بر مدل‌ها، داده‌ و زیرساخت‌ها نظارت کنید تا مشکلات را شناسایی کرده و با کنترل‌های دسترسی، ویژگی‌های انطباق و بهترین شیوه‌ها، سیستم‌ها و منابع یادگیری ماشین خود را ایمن سازید.

آمادگی برای گواهینامه AWS Certified Machine Learning Engineer Associate (MLA-C01)

  • آشنایی با MLA 0:08:32
  • مقدمه - ذخیره‌سازی و جذب داده‌ 0:01:10
  • three Vs 0:01:54
  • تایپ‌های داده‌ 0:03:27
  • دسته‌ای مقابل استریمینگ 0:01:32
  • OLTP در مقابل OLAP 0:02:11
  • فرمت‌های داده 0:04:10
  • مدل‌سازی داده 0:03:19
  • انبارهای داده 0:01:17
  • دریاچه‌های داده 0:03:01
  • سناریوهای جذب داده‌ 0:03:05
  • Amazon FSx 0:04:09
  • یادگیری عملی - بارگذاری داده‌ به منبع آموزش مدل 0:08:24
  • استریم‌های داده‌ Amazon Kinesis 0:09:18
  • یادگیری عملی - ایجاد استریم داده 0:03:30
  • استفاده از EFS با لامبدا 0:01:25
  • یادگیری عملی - ایجاد تابع AWS Lambda برای consume کردن استریم داده Kinesis 0:03:50
  • کتابخانه کلاینت Amazon Kinesis (KCL) 0:02:52
  • آپاچی کافکا 0:07:32
  • Amazon MSK 0:06:33
  • Kinesis مقابل MSK 0:04:01
  • Amazon Data Firehose 0:04:09
  • یادگیری عملی - پیکربندی استریم Amazon Data Firehose 0:05:33
  • سرویس مدیریت‌ شده آمازون برای Apache Flink 0:02:22
  • تحلیل‌ Amazon Kinesis 0:05:22
  • استریم‌های ویدئویی Amazon Kinesis 0:05:47
  • Amazon Redshift 0:05:14
  • بدون سرور Amazon Redshift 0:05:04
  • پلتفرم‌های ذخیره‌سازی 0:04:14
  • همسویی با الگوهای دسترسی 0:08:35
  • مقایسه هزینه و عملکرد 0:03:04
  • استخراج داده از ذخیره‌سازی 0:06:56
  • خلاصه گزینه‌های ذخیره‌سازی 0:07:43
  • آمادگی سریع برای آزمون 0:11:34
  • آشنایی با تحلیل داده اکتشافی 0:01:09
  • نمودارها 0:06:15
  • تایپ‌های داده‌ 0:09:10
  • توزیع داده 0:03:42
  • مهندسی ویژگی 0:02:03
  • تبدیل داده‌ (عددی و دسته‌بندی شده) 0:11:09
  • تبدیل داده‌ (متن و تصاویر) 0:17:15
  • تکنیک‌های انتساب 0:07:11
  • داده‌ نامتوازن 0:04:36
  • داده‌ پرت 0:03:33
  • مقدمه Amazon EMR 0:03:52
  • آپاچی هدوپ 0:01:48
  • فریمورک‌های هدوپ 0:02:18
  • آپاچی اسپارک 0:03:12
  • معماری Amazon EMR 0:07:48
  • یادگیری عملی - راه‌اندازی خوشه EMR 0:13:07
  • تبدیل داده‌ استریمینگ (لامبدا و اسپارک) 0:03:52
  • بدون سرور EMR 0:03:16
  • فروشگاه ویژگی‌ Amazon SageMaker 0:08:42
  • AWS Glue 0:08:18
  • یادگیری عملی - AWS Glue (کراولر و تبدیل) 0:09:01
  • کاتالوگ داده AWS Glue 0:01:17
  • یادگیری عملی - ایجاد کاتالوگ داده AWS Glue 0:03:13
  • AWS Glue DataBrew 0:03:01
  • یادگیری عملی - ایجاد پروژه DataBrew 0:05:37
  • Amazon Athena 0:05:38
  • یادگیری عملی - اجرای کوئری‌های SQL در Athena 0:07:09
  • آمادگی سریع برای آزمون 0:05:52
  • آشنایی با یادگیری ماشین 0:01:08
  • تاکسونومی هوش مصنوعی 0:13:21
  • روش‌های سنتی در مقابل روش‌های هوش مصنوعی برای حل مسائل 0:06:19
  • کاربردهای واقعی هوش مصنوعی 0:04:16
  • Business view برای هوش مصنوعی 0:03:25
  • منابع مدل‌های یادگیری ماشین 0:08:18
  • دسته‌بندی‌های یادگیری ماشین 0:10:06
  • رگرسیون 0:05:15
  • ارزیابی مدل رگرسیون 0:07:47
  • طبقه‌بندی 0:03:51
  • ارزیابی مدل‌ دسته‌بندی 0:23:41
  • کاهش ابعاد 0:06:05
  • یادگیری عمیق 0:19:28
  • پردازش زبان طبیعی (NLP) 0:04:39
  • بینایی کامپیوتری (CV) 0:04:21
  • شبکه‌های عصبی کانولوشن 0:05:15
  • شبکه عصبی بازگشتی 0:03:49
  • پیشرفت‌ها در NLP 0:07:39
  • ویژگی‌های شبکه‌های عصبی 0:07:17
  • مشکلات شبکه‌های عصبی 0:03:00
  • بیش‌برازش و کم‌ برازش 0:03:23
  • جلوگیری از بیش‌برازش 0:04:20
  • تکنیک‌های اعتبارسنجی 0:03:27
  • درخت‌های تصمیم‌گیری 0:11:07
  • یادگیری گروهی 0:02:21
  • کاهش اندازه مدل 0:06:16
  • ملاحظات پیرامون عملکرد، زمان آموزش و هزینه 0:06:52
  • یوزکیس‌های هوش مصنوعی 0:05:00
  • تفسیر مدل‌های یادگیری ماشین 0:06:41
  • آمادگی سریع برای آزمون 0:08:01
  • مقدمه - سرویس‌های هوش مصنوعی مدیریت‌ شده 0:01:22
  • سرویس‌های هوش مصنوعی 0:01:04
  • Amazon Comprehend 0:06:08
  • یادگیری عملی - تحلیل احساسات بر اساس نظرات مشتریان 0:13:34
  • Amazon Translate 0:03:40
  • یادگیری عملی - Amazon Translate 0:02:58
  • Amazon Transcribe 0:04:15
  • یادگیری عملی - Amazon Transcribe 0:04:37
  • Amazon Polly 0:04:19
  • یادگیری عملی - Amazon Polly 0:01:19
  • Amazon Rekognition 0:06:02
  • یادگیری عملی - Amazon Rekognition 0:09:56
  • Amazon Textract 0:07:12
  • یادگیری عملی - Amazon Textract 0:03:50
  • Amazon Forecast 0:08:41
  • Amazon Lex 0:05:43
  • Amazon Fraud Detector 0:03:18
  • Amazon Personalize 0:15:19
  • Amazon Kendra 0:05:26
  • یادگیری عملی - Amazon Kendra 0:07:11
  • Amazon Bedrock 0:17:43
  • یادگیری عملی - PartyRock (زمین بازی Amazon Bedrock) 0:06:57
  • Amazon Augmented AI 0:07:18
  • نمونه‌های EC2 برای هوش مصنوعی 0:05:45
  • Amazon Q Business 0:07:24
  • اپلیکیشن‌های Amazon Q 0:04:15
  • یادگیری عملی - Amazon Q Business 0:07:42
  • یادگیری عملی - اپلیکیشن‌های Amazon Q 0:07:36
  • توسعه‌دهنده Amazon Q 0:07:14
  • آمادگی سریع برای آزمون 0:01:12
  • مقدمه - مدل‌سازی (الگوریتم‌های داخلی SageMaker) 0:01:03
  • Amazon SageMaker و SageMaker Studio 0:12:10
  • یادگیری عملی - بررسی Amazon SageMaker 0:02:54
  • یادگیری عملی - ایجاد نمونه نوت‌بوک Amazon SageMaker 0:04:35
  • بررسی الگوریتم‌های داخلی 0:04:19
  • یادگیرنده خطی 0:08:27
  • XGBoost 0:05:01
  • LightGBM 0:07:05
  • نزدیک‌ترین همسایه K 0:04:00
  • ماشین‌های فاکتورگیری 0:04:38
  • DeepAR 0:05:13
  • طبقه‌بندی تصویر 0:06:04
  • تشخیص شی 0:03:38
  • بخش‌بندی سمانتیک 0:04:13
  • Seq2Seq 0:03:49
  • BlazingText 0:05:08
  • مدل موضوعات عصبی (NTM) 0:02:38
  • تخصیص پنهان دیریکله (LDA) 0:01:55
  • جنگل برش تصادفی (RCF) 0:03:27
  • خوشه‌بندی K-means 0:03:24
  • خوشه‌بندی سلسله‌مراتبی 0:08:36
  • Object2Vec 0:05:59
  • تحلیل مؤلفه‌ اصلی (PCA) 0:02:22
  • بینش‌های IP 0:04:00
  • یادگیری تقویتی 0:04:13
  • جمع‌بندی الگوریتم‌های داخلی 0:04:27
  • تیونینگ هایپرپارامتر (تیونینگ خودکار مدل) 0:06:06
  • یادگیری عملی - job تیونینگ هایپرپارامتر 0:03:22
  • آمادگی سریع برای آزمون 0:06:58
  • مقدمه - سرویس‌های Amazon SageMaker 0:01:02
  • Amazon SageMaker Ground Truth 0:05:48
  • یادگیری عملی - ایجاد job برچسب‌گذاری 0:07:08
  • آماده‌سازی داده SageMaker 0:08:53
  • یادگیری عملی - آماده‌سازی داده SageMaker 0:14:52
  • نظارت بر مدل در SageMaker 0:06:02
  • سوگیری در یادگیری ماشین 0:11:58
  • Amazon SageMaker Clarify 0:08:35
  • یادگیری عملی - Amazon SageMaker Clarify 0:17:10
  • فروشگاه ویژگی‌ Amazon SageMaker 0:08:42
  • SageMaker Canvas 0:04:12
  • یادگیری عملی - SageMaker Canvas 0:19:09
  • رجیستر مدل SageMaker 0:06:20
  • آمادگی سریع برای آزمون 0:11:21
  • مقدمه - استقرار مدل 0:00:53
  • Online inference (بلادرنگ) 0:20:57
  • Batch transform 0:02:17
  • سایر استقرارها 0:08:08
  • اندپوینت‌های چند مدل در مقابل چند کانتینر 0:10:24
  • یادگیری عملی - اندپوینت چند مدل 0:07:16
  • یادگیری عملی - اندپوینت چند کانتینر 0:02:49
  • استقرار SageMaker 0:07:48
  • یادگیری عملی - XGBoost (پیش‌بینی ریزش مشتری) 0:06:43
  • یادگیری عملی - حالت اسکریپت 0:03:01
  • یادگیری عملی - Bring your own (BYO) Docker 0:04:00
  • انواع نمونه SageMaker 0:03:02
  • SageMaker SDK 0:07:11
  • آموزش توزیع‌ شده 0:05:20
  • SageMaker Debugger 0:03:33
  • یادگیری عملی - استنتاج بدون سرور SageMaker 0:06:09
  • SageMaker Autopilot 0:03:33
  • توصیه‌گر استنتاج Amazon SageMaker 0:06:37
  • استنتاج بدون سرور Amazon SageMaker 0:05:24
  • پایپ‌لاین استنتاج 0:05:03
  • یادگیری عملی - نظارت بر مدل SageMaker 0:15:51
  • SageMaker Neo 0:06:29
  • امنیت SageMaker 0:06:54
  • سرویس‌های هدف استقرار 0:10:10
  • استقرارهای قابل نگهداری، مقیاس‌پذیر و به‌صرفه 0:08:38
  • متریک‌های مقیاس‌بندی خودکار 0:04:16
  • تحلیل مبادله عملکرد 0:04:10
  • پایپ‌لاین‌های Apache Airflow و SageMaker 0:06:00
  • سیستم یادگیری ماشین مجزا 0:13:12
  • آمادگی سریع برای آزمون 0:11:16
  • مقدمه - زیرساخت AWS و MLOps و ارکستراسیون 0:01:06
  • منابع بر اساس تقاضا در مقابل منابع تامین شده 0:03:00
  • سیاست‌های مقیاس‌بندی 0:05:27
  • سرویس‌های زیرساخت به عنوان کد (IaC) 0:07:21
  • کانتینرهای داکر و میکروسرویس‌ها 0:06:09
  • سرویس کانتینر الاستیک آمازون (ECS) 0:05:51
  • یادگیری عملی - راه‌اندازی کانتینرهای داکر در AWS Fargate 0:07:40
  • کانتینرهای داکر با SageMaker 0:15:00
  • SageMaker MLOps برای پروژه‌های کوبرنتیز و SageMaker 0:05:34
  • بررسی CI/CD 0:05:59
  • GitFlow و GitHub Flow 0:09:48
  • پایپ‌لاین‌های CI/CD با استفاده از CodePipeline و CodeBuild و CodeDeploy 0:06:06
  • تست‌های خودکار در پایپ‌لاین‌های CI/CD 0:08:52
  • سرویس‌ها برای خودکارسازی ارکستراسیون در یادگیری ماشین 0:03:41
  • یادگیری عملی - CI/CD برای آموزش و استقرار 0:02:21
  • چارچوب آموزش مجدد مدل‌ 0:07:54
  • آمادگی سریع برای آزمون 0:07:38
  • مقدمه - مدل‌های بنیادی و کاربردها 0:00:19
  • چرخه عمر مدل‌ بنیادی 0:07:59
  • معیارهای انتخاب مدل‌های از پیش‌ آموزش‌ دیده 0:02:27
  • Tweak کردن پارامترهای استنتاج 0:08:33
  • یادگیری عملی - Tweak کردن پارامترهای استنتاج 0:05:20
  • تعبیه‌ها و پایگاه داده‌های برداری 0:12:10
  • بازیابی نسل افزوده (RAG) 0:08:21
  • یوزکیس‌های RAG 0:05:05
  • RAG در Amazon Bedrock 0:02:47
  • یادگیری عملی - پایگاه‌های دانش در Amazon Bedrock 0:07:00
  • بهینه‌سازی مدل‌های بنیادی 0:13:36
  • انتخاب رویکرد مناسب - تیونینگ دقیق در مقابل RAG 0:08:00
  • تیونینگ دقیق مدل بنیادی (بررسی عمیق) 0:07:37
  • آماده‌سازی داده برای تیونینگ دقیق 0:04:19
  • ارزیابی مدل‌ بنیادی 0:02:56
  • متریک‌های عملکرد مدل‌ بنیادی 0:04:17
  • اهداف کسب وکار برای مدل‌های بنیادی 0:03:22
  • مقدمه - سرویس‌ها و زیرساخت‌های GenAI 0:00:10
  • سرویس‌های AWS برای GenAI 0:10:58
  • انتخاب مدل‌های بنیادی و سرویس AWS GenAI 0:09:07
  • چرا سرویس‌های AWS برای GenAI انتخاب می‌شود؟ 0:03:40
  • EC2 برای GenAI 0:08:21
  • دلایل استفاده از زیرساخت AWS برای GenAI 0:03:47
  • ملاحظات هزینه در سرویس‌های AWS GenAI 0:02:57
  • مقدمه - نظارت و بهینه‌سازی 0:00:48
  • لنزهای یادگیری ماشین برای نظارت 0:09:39
  • CloudWatch برای یادگیری ماشین 0:01:54
  • AWS X-Ray 0:04:19
  • Amazon QuickSight 0:05:43
  • یادگیری عملی - ایجاد تحلیل با استفاده از QuickSight 0:03:51
  • AWS CloudTrail برای یادگیری ماشین 0:05:06
  • نظارت بر SageMaker 0:04:36
  • استانداردهای انطباق با مقررات برای سیستم‌های هوش مصنوعی 0:05:03
  • سرویس‌های AWS برای انطباق با مقررات 0:03:07
  • آمادگی سریع برای آزمون 0:04:23

9,861,500 1,972,300 تومان

مشخصات آموزش

آمادگی برای گواهینامه AWS Certified Machine Learning Engineer Associate (MLA-C01)

  • تاریخ به روز رسانی: 1404/06/21
  • سطح دوره:متوسط
  • تعداد درس:247
  • مدت زمان :24:58:25
  • حجم :2.88GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

هوش مصنوعی برای کلینیک‌ها و روش‌های دندان‌پزشکی
The Great Courses
651,500 130,300 تومان

هوش مصنوعی برای کلینیک‌ها و روش‌های دندان‌پزشکی

  • زمان: 01:39:55
  • تعداد درس: 6
  • سطح دوره:
  • زبان: دوبله فارسی
علم داده: رگرسیون خطی بیزی در پایتون
The Great Courses
1,889,000 377,800 تومان

علم داده: رگرسیون خطی بیزی در پایتون

  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
رگرسیون خطی و پایتون - یادگیری ماشین برای اپلیکیشن‌های موبایل
The Great Courses
1,501,000 300,200 تومان

رگرسیون خطی و پایتون - یادگیری ماشین برای اپلیکیشن‌های موبایل

  • زمان: 03:48:11
  • تعداد درس: 47
  • سطح دوره:
  • زبان: دوبله فارسی
مسترکلاس یادگیری ماشین
The Great Courses
10,289,500 2,057,900 تومان

مسترکلاس یادگیری ماشین

  • زمان: 26:03:06
  • تعداد درس: 121
  • سطح دوره:
  • زبان: دوبله فارسی
آمار پایه برای هوش مصنوعی - درک اصول برای یادگیری ماشین
The Great Courses
490,000 98,000 تومان

آمار پایه برای هوش مصنوعی - درک اصول برای یادگیری ماشین

  • زمان: 54:55
  • تعداد درس: 18
  • سطح دوره:
  • زبان: دوبله فارسی
توضیح کنترل‌های ISO 42001 Annex A
The Great Courses
1,797,000 359,400 تومان

توضیح کنترل‌های ISO 42001 Annex A

  • زمان: 04:33:59
  • تعداد درس: 86
  • سطح دوره:
  • زبان: دوبله فارسی
برتری در مدیریت ریسک - آموزش چارچوب NIST 800-37
The Great Courses
770,000 154,000 تومان

برتری در مدیریت ریسک - آموزش چارچوب NIST 800-37

  • زمان: 01:57:58
  • تعداد درس: 29
  • سطح دوره:
  • زبان: دوبله فارسی
مگاکورس - بوت‌کمپ VMware vSphere 7.0 - بخش 3 - همراه با کتاب الکترونیکی
The Great Courses
4,351,500 870,300 تومان

مگاکورس - بوت‌کمپ VMware vSphere 7.0 - بخش 3 - همراه با کتاب الکترونیکی

  • زمان: 11:01:32
  • تعداد درس: 53
  • سطح دوره:
  • زبان: دوبله فارسی
کشف Oauth برای شکار باگ باونتی
The Great Courses
711,000 142,200 تومان

کشف Oauth برای شکار باگ باونتی

  • زمان: 01:48:43
  • تعداد درس: 14
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید