اصول هوش مصنوعی ابری: درک پلتفرمهای مدرن هوش مصنوعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- چگونه Generative AI و مدلهای زبانی بزرگ (LLMs) در اکوسیستمهای ابری ادغام میشوند؟
- تمایز بین پلتفرمهای اصلی هوش مصنوعی ابری.
- درک نقش پایپلاینهای داده، ذخیرهسازی آبجکت و انبار داده در زیرساخت هوش مصنوعی
- شرح مفاهیم کلیدی در مدیریت چرخه عمر مدل: آموزش، ارزیابی و اکسپورت کردن
پیشنیازهای دوره
- به هیچ پیشزمینه فنی یا برنامهنویسی نیاز نیست. درک کلی از رایانش ابری مفید است اما الزامی نیست.
توضیحات دوره
هوش مصنوعی به سرعت در حال انتقال به فضای ابری است. این امر چگونگی ساخت، مقیاسپذیری و ارائه برنامههای هوشمند توسط سازمانها را متحول میکند. این دوره یک پایه جامع برای درک چگونگی عملکرد سرویسهای هوش مصنوعی در پلتفرمهای ابری پیشرو در جهان ارائه میدهد: Amazon Web Services (AWS) ،Microsoft Azure و Google Cloud Platform (GCP).
از طریق توضیحات واضح و بررسیهای ساختاریافته پلتفرمها، چگونگی میزبانی، آموزش و مدیریت مدلهای هوش مصنوعی مقیاسپذیر توسط ارائهدهندگان ابری را بررسی خواهید کرد. مسیر یادگیری با اصول Generative AI، مدلهای زبانی بزرگ (LLMs) و مدلهای اساسی آغاز میشود. مدرس نشان میدهد که چگونه این موارد در اکوسیستمهای ابری مدیریتشده مانند Vertex AI ،Azure AI Studio و Amazon Bedrock ادغام میشوند.
سپس زیرساختهای دادهای ضروری که سیستمهای هوش مصنوعی مبتنی بر فضای ابری را قدرت میبخشند، کشف خواهید کرد. این شامل الگوهای ذخیرهسازی آبجکت، پایپلاینهای ETL/ELT و مفاهیم انبار داده است. دوره با تمرکز بر مدیریت چرخه عمر مدل به پایان میرسد و گردش های کاری آموزش، ارزیابی و اکسپورت کردن از مدل را که از استقرار مقیاسپذیر پشتیبانی میکنند، پوشش میدهد.
در پایان این دوره، درک مفهومی واضحی از چگونگی ارائه و عملیاتی کردن هوش مصنوعی در مقیاس وسیع توسط محیطهای ابری مدرن به دست خواهید آورد. چه هدف شما پیشرفت شغلی در استراتژی هوش مصنوعی، معماری داده یا مهندسی ابری باشد، این برنامه شما را به دانشی مجهز میکند تا با اطمینان در چشمانداز در حال تحول سیستمهای هوش مصنوعی چندابری ناوبری کنید.
این دوره برای چه کسانی مناسب است؟
- دانشجویان و مبتدیانی که میخواهند درک کنند پلتفرمهای ابری چگونه راهحلهای مدرن هوش مصنوعی را امکانپذیر میسازند.
- متخصصان کسب و کار و مدیرانی که به دنبال یک نمای کلی سطح بالا از سرویسهای هوش مصنوعی در AWS ،Azure و Google Cloud هستند.
- متخصصان فناوری اطلاعات و داده که در حال انتقال به نقشهای هوش مصنوعی یا ابری هستند و قبل از ورود به ابزارها به وضوح مفهومی نیاز دارند.
اصول هوش مصنوعی ابری: درک پلتفرمهای مدرن هوش مصنوعی
-
اصول 12 عاملی 24:43
-
کانتینرها و بستهبندی ایمیج (الزامات Docker) 10:24
-
از Docker Compose تا Kubernetes 11:04
-
آبجکت های اصلی Kubernetes (پادها، استقرار ها، سرویسها) 02:02
-
زیرساخت به عنوان کد با Terraform (اصول) 03:33
-
CI/CD برای اپلیکیشن های Cloud-Native 10:41
-
مقدمهای بر سیستمهای Generative AI 05:59
-
درون مدلهای زبانی بزرگ (LLMs) 06:48
-
نقاط قوت و محدودیتهای LLMها 05:23
-
خانوادههای مدلهای زبانی مدرن 06:24
-
مدلهای اساسی چگونه ساخته و آموزش داده میشوند؟ 02:51
-
مدلهای اساسی چگونه کار میکنند؟ 04:19
-
شروع به کار با Vertex AI (در GCP) 06:22
-
بررسی Azure AI Foundry و Studio 05:34
-
مقدمهای بر Amazon Bedrock و SageMaker 02:33
-
هزینه، امنیت و حاکمیت برای سیستمهای هوش مصنوعی 01:42
-
الگوهای ذخیرهسازی آبجکت (S3 ،Blob ،GCS) 01:49
-
پایپلاینهای ETL/ELT (مثل Glue ،Data Factory ،Dataflow) 01:41
-
اصول انبار داده (BigQuery ،Redshift ،Synapse) 01:07
-
ساخت مدل در Keras (متوالی و تابعی) 01:50
-
آموزش، ارزیابی و ایجاد Checkpointing 01:44
مشخصات آموزش
اصول هوش مصنوعی ابری: درک پلتفرمهای مدرن هوش مصنوعی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:مقدماتی
- تعداد درس:21
- مدت زمان :01:58:33
- حجم :801.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy