آموزش AWS Certified Machine Learning Associate MLA-C01 - بروزرسانی شده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- اصول یادگیری ماشین: اصول اصلی، از جمله یادگیری تحت نظارت و بدون نظارت، پیش پردازش داده و مهندسی ویژگی
- سرویسهای یادگیری ماشین AWS: تجربه عملی با ابزارهایی مانند Amazon SageMaker ،Rekognition ،Comprehend ،Polly و Kinesis
- حل مسائل واقعی: پروژههای عملی مانند سیستمهای توصیهگر، تشخیص تقلب و کاربردهای پردازش زبان طبیعی
- موضوعات پیشرفته: تیونینگ هایپرپارامتر، بهینهسازی مدل، حاکمیت و مقیاسبندی پایپلاینهای یادگیری ماشین در AWS
پیشنیازهای دوره
- درک اولیه از مفاهیم یادگیری ماشین: آشنایی با اصطلاحاتی مانند یادگیری تحت نظارت و بدون نظارت، رگرسیون و طبقهبندی مفید خواهد بود.
- تجربه با برنامهنویسی پایتون: دانش اساسی پایتون و کتابخانههای آن مانند NumPy، پانداس یا scikit-learn مفید است.
- دانش اولیه سرویسهای AWS: آشنایی با مبانی AWS مانند EC2 ،S3 یا Lambda مفید است، اما الزامی نیست.
- یک لپتاپ یا دسکتاپ با دسترسی به اینترنت: برای انجام لابراتوارهای عملی و دسترسی به سرویسهای AWS
- آمادگی برای یادگیری و بررسی: کنجکاوی و تعهد به یادگیری مهمترین پیشنیازها هستند!
توضیحات دوره
آیا آمادهاید به دنیای هوش مصنوعی و یادگیری ماشین پیشرفته با یکی از معتبرترین گواهینامهها در صنعت وارد شوید؟ این دوره دروازهای به سوی تسلط به یادگیری ماشین در AWS است. این دوره بروزرسانی شده برای متخصصان و علاقهمندان طراحی شده است و همه آنچه برای قبولی در آزمون و پیادهسازی راهحلهای واقعی هوش مصنوعی نیاز دارید را ارائه میدهد.
داستان تحول شما
تصور کنید در محل تلاقی فرصتها ایستادهاید. از یک طرف، صنعت هوش مصنوعی در حال رشد است که در آن کارشناسان یادگیری ماشین پرتقاضا هستند. در طرف دیگر، واقعیت فعلی شما قرار دارد، احساس گیجی و عدم اطمینان از اینکه از کجا شروع کنید. این دوره این فاصله را پر میکند و به شما قدرت میدهد تا درهایی را به سمت یک شغل پردرآمد در هوش مصنوعی آنلاک کنید.
چه میشود اگر بتوانید از گیجی به وضوح برسید، از یک شغل عادی به یک نقش برسید که در آن شما نوآوری را هدایت میکنید؟ خود را تصور کنید که با اعتماد به نفس مسائل را حل میکنید، مدلهای یادگیری ماشین را میسازید و پروژههای هوش مصنوعی را رهبری میکنید. با گواهینامه AWS Certified Machine Learning Associate، شما فقط برای یک آزمون آماده نمیشوید؛ شما برای یک تحول آماده میشوید.
چرا این دوره متفاوت است؟
برخلاف دورههای معمول که شما را با اصطلاحات گیج میکند، این برنامه مفاهیم پیچیده را با رویکردی گامبهگام ساده میکند. ما دوره را بروز کردهایم تا با آخرین سرویسها، ابزارها و الگوهای آزمون AWS همراستا باشد و اطمینان حاصل کنیم شما جلوتر از رقبایتان هستید. در اینجا آنچه میتوانید انتظار داشته باشید، آورده شده است:
- ماژولهای یادگیری تعاملی: با لابراتوارهای عملی و پروژههای واقعی درگیر شوید که موقعیتهایی را شبیهسازی میکنند که در کار با آن مواجه خواهید شد.
- محتوای هدایت شده توسط متخصصان: از مدرسان دارای گواهینامه با سالها تجربه در AWS و یادگیری ماشین بیاموزید.
- پوشش بروز: به جدیدترین بروزرسانیهای در ابزارهای AWS، از جمله SageMaker ،Rekognition ،Comprehend و Polly تسلط یابید.
نکات برجسته دوره: سفر قهرمان
- درک اصول یادگیری ماشین: سفر خود را با شفافسازی مبانی شروع کنید. درباره یادگیری تحت نظارت و بدون نظارت، مهندسی ویژگی و پیش پردازش داده بیاموزید. تجربه قبلی ندارید؟ هیچ مشکلی نیست! این بخش بهطور ویژه برای مبتدیانی طراحی شده است که میخواهند پایه محکمی بسازند.
- بررسی سرویسهای یادگیری ماشین AWS: در اکوسیستم AWS مانند یک فرد حرفهای حرکت کنید. قدرت Amazon SageMaker را برای آموزش، تیونینگ و استقرار مدلهای یادگیری ماشین کشف کنید. بررسی کنید چگونه Rekognition تحلیل تصویر را متحول میکند و چگونه Comprehend بینشهایی از متن ارائه میدهد.
- لابراتوارهای عملی و پروژههای واقعی: یادگیری از طریق انجام دادن هسته این دوره است. ساخت موتورهای توصیهگر، سیستمهای تشخیص تقلب و کاربردهای پردازش زبان طبیعی را تمرین کنید. این پروژهها فقط شما را برای آزمون آماده نمیکنند، آنها شما را برای چالشهای واقعی آماده میکنند.
- بروز ماندن با نوآوریهای AWS: دنیای هوش مصنوعی به سرعت در حال تحول است، این دوره نیز مدام بروزرسانی میشود. بروزرسانیهای مداوم ما اطمینان میدهد همیشه جدیدترین ابزارها، تکنیکها و بهترین شیوهها را یاد بگیرید.
گامهای بعدی شما
سفری را شروع کنید که در آن شما فقط در حال یادگیری نیستید، بلکه در حال تحول هستید. با این دوره، شما تخصص فنی، اعتماد به نفس و مدارک لازم برای پیشرفت شغلی را کسب خواهید کرد.
این دوره برای چه کسانی مناسب است؟
- مهندسان یادگیری ماشین آینده: افرادی که به دنبال شروع کار خود در زمینه هوش مصنوعی و یادگیری ماشین هستند.
- دانشمندان داده: متخصصانی که به دنبال گسترش تخصص خود در سرویسها و ابزارهای یادگیری ماشین مبتنی بر AWS هستند.
- متخصصان ابر: متخصصان AWS که به دنبال کسب تخصص در هوش مصنوعی و یادگیری ماشین هستند.
- توسعهدهندگان نرمافزار: مهندسانی که در حال انتقال به نقشهای یادگیری ماشین یا هوش مصنوعی هستند و به دنبال افزودن یادگیری ماشین به مجموعه مهارتهای خود میباشند.
- متخصصان فناوری اطلاعات: کسانی که به دنبال درک و پیادهسازی راهحلهای مبتنی بر هوش مصنوعی در سازمانهای خود هستند.
- دانشجویان و علاقهمندان: هر کسی که به یادگیری فناوریهای پیشرفته یادگیری ماشین و دنبال کردن شغلی در هوش مصنوعی علاقهمند است.
آموزش AWS Certified Machine Learning Associate MLA-C01 - بروزرسانی شده
-
جهتگیری 02:56
-
ایجاد حساب AWS 04:30
-
راهاندازی MFA در حساب روت 08:09
-
ایجاد حساب IAM و نام مستعار حساب 07:08
-
راهاندازی رابط خط فرمان با اعتبارنامهها 04:48
-
سیاست IAM 02:42
-
آشنایی با مهندسی داده و ابزارهای هضم داده 16:09
-
ابزارهای مهندسی داده 10:55
-
کار با S3 و کلاسهای ذخیرهسازی 14:50
-
ایجاد S3 Bucket از کنسول 08:46
-
راهاندازی رابط خط فرمان AWS 06:59
-
ایجاد Bucket از رابط خط فرمان AWS و رویدادهای چرخه عمر 13:34
-
S3 - بررسی Intelligent Tiering - بخش عملی 14:39
-
پاکسازی - فعالیت 2 00:31
-
S3 - رپلیکیشن داده برای نقطه بازیابی 20:41
-
بهترین شیوهها و دستورالعملهای امنیتی برای Amazon S3 10:28
-
آشنایی با سرویس Amazon Kinesis 18:38
-
هضم داده استریمینگ با Kinesis Stream - بخش عملی 10:30
-
ساخت سیستم استریمینگ با Amazon Kinesis Data Streams - بخش عملی 27:12
-
استریمینگ داده به Amazon S3 با Kinesis Data Firehose - بخش عملی 10:59
-
تولید Kinesis Data Analytics - بخش عملی 18:07
-
کار با Amazon Kinesis Data Stream و عامل Kinesis 32:21
-
درک AWS Glue 26:16
-
کشف متادیتا با AWS Glue Crawlers 12:37
-
تبدیل داده با AWS Glue DataBrew 07:48
-
انجام عملیات ETL در Glue با S3 07:56
-
درک Athena 06:35
-
کوئری کردن S3 با Amazon Athena 10:40
-
درک AWS Batch 07:16
-
مهندسی داده با AWS Step 11:11
-
کار با AWS Step Functions 07:35
-
ایجاد گردش کار بدون سرور با AWS Step 14:08
-
کار با stateها در تابع AWS Step 11:55
-
یادگیری ماشین و AWS Step Functions 09:41
-
مهندسی ویژگی با AWS Step و AWS Glue 01:53
-
آشنایی با تحلیل داده اکتشافی 06:28
-
EDA - بخش عملی 25:00
-
انواع داده و تحلیل مربوط به آنها 15:17
-
تحلیل آماری 18:18
-
آمار توصیفی - درک روشها 16:28
-
تعریف داده پرت 06:33
-
EDA عملی - اکتساب داده و ادغام داده 16:55
-
EDA عملی - تحلیل داده پرت و تحلیل مقدار تکراری 22:16
-
تحلیل مقدار گمشده 11:38
-
فیکس کردن خطاها و اشتباهات تایپی در مجموعه داده 08:09
-
تبدیل دادهها 21:34
-
کار با داده دستهبندی شده 15:45
-
مقیاسبندی داده عددی 10:44
-
روشهای مصورسازی برای EDA 18:04
-
مجموعه داده نامتعادل 22:51
-
کاهش ابعاد - PCA 29:08
-
کاهش ابعاد - LDA 03:28
-
Amazon QuickSight 12:06
-
آپاچی اسپارک - EMR 07:20
-
مقدمهای بر یادگیری ماشین 16:52
-
انواع یادگیری ماشین 03:59
-
رگرسیون خطی و معیارهای ارزیابی برای رگرسیون 22:44
-
منظمسازی و فرضیات رگرسیون خطی 26:01
-
رگرسیون لجستیک 08:46
-
گرادیان کاهشی 08:05
-
پیادهسازی رگرسیون لجستیک و EDA 21:05
-
معیارهای ارزیابی برای طبقهبندی 26:35
-
الگوریتمهای درخت تصمیمگیری 11:30
-
توابع ضرر درخت تصمیمگیری 09:51
-
پیادهسازی الگوریتم درخت تصمیمگیری 15:44
-
بیشبرازش در مقابل کمبرازش - اعتبارسنجی متقابل Kfold 18:26
-
تکنیکهای بهینهسازی هایپرپارامتر 29:38
-
الگوریتم KNN 09:31
-
الگوریتم SVM 23:56
-
یادگیری گروهی - طبقهبند رایگیری 14:25
-
یادگیری گروهی - طبقهبند Bagging و جنگل تصادفی 17:02
-
یادگیری گروهی - تقویت آدابوست و Gradient Boost 17:46
-
یادگیری گروهی XGBoost 09:12
-
خوشهبندی - Kmeans 26:15
-
خوشهبندی - خوشهبندی سلسلهمراتبی 12:25
-
خوشهبندی - DBScan 05:52
-
تحلیل سریهای زمانی 12:33
-
ARIMA - بخش عملی 11:42
-
Amazon Personalize برای توصیه 06:25
-
آشنایی با یادگیری عمیق 13:53
-
آشنایی با Tensorflow و ایجاد اولین شبکه عصبی 19:17
-
شهود آموزش یادگیری عمیق 15:04
-
تابع فعالسازی 08:40
-
معماری شبکههای عصبی 05:40
-
آموزش مدل یادگیری عمیق - ایپاکها - اندازه بچ 03:39
-
تیونینگ هایپرپارامتر در یادگیری عمیق 08:28
-
محو شدن و انفجار گرادیانها - مقداردهی اولیه و منظمسازیها 07:13
-
آشنایی با شبکههای عصبی کانولوشن 18:02
-
پیادهسازی شبکه عصبی کانولوشن روی مجموعه داده CatDog 15:29
-
یادگیری انتقالی برای بینایی کامپیوتر 19:02
-
چالشهای شبکه عصبی پیشخور 23:17
-
شبکه عصبی بازگشتی و انواع معماری 20:53
-
معماری LSTM 09:41
-
مکانیسم توجه 13:40
-
یادگیری انتقالی برای داده زبان طبیعی 12:08
-
بررسی معماری ترانسفورمر 06:04
-
MLOps چیست و چرا مهم است 16:06
-
اصول MLOps 10:57
-
اصول MLOps - بررسی عمیق 13:19
-
چرا DevOps به تنهایی برای یادگیری ماشین مناسب نیست؟ 06:20
-
AWS چیست و مزایای آن چیست 13:44
-
استک فنی AWS برای MLOps و یادگیری ماشین 05:57
-
Sagemaker چیست؟ 05:27
-
چرا Sagemaker ابزار مورد ترجیح است؟ 03:48
-
استقرار مدل با AWS Lambda بدون سرور - قسمت 1 14:22
-
آشنایی با داکر و ایجاد Dockerfile 22:40
-
AWS Lambda بدون سرور - قسمت 2 24:47
-
Cloudwatch 03:37
-
AWS Sagemaker JumpStart 24:57
-
AWS Polly 02:20
-
استقرار End to End با اندپوینت AWS Sagemaker 40:05
-
AWS Transcribe 02:26
-
AWS Lex 02:42
-
Amazon Augmented AI 02:34
-
آمازون کدگورو 02:24
-
Amazon Comprehend و Amazon Comprehend Medical 04:18
-
AWS DeepComposer 02:00
-
AWS DeepLens 02:13
-
AWS DeepRacer 01:22
-
Amazon DevOps Guru 01:48
-
Amazon Forecast 01:07
-
Amazon Fraud Detector 01:37
-
Amazon HealthLake 01:30
-
Amazon Kendra 02:03
-
Amazon Lookout برای تجهیزات، معیارها و بینایی 03:44
-
Amazon Monitron 01:36
-
AWS Panorama 02:14
-
Amazon Rekognition 03:40
-
Amazon Translate 01:29
-
Amazon Textract 01:45
مشخصات آموزش
آموزش AWS Certified Machine Learning Associate MLA-C01 - بروزرسانی شده
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:همه سطوح
- تعداد درس:130
- مدت زمان :25:46:40
- حجم :13.03GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy