گواهینامه AWS Certified Machine Learning Specialty - MLS-C01 [2024]

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

AWS SageMaker را تجربه کنید. این دوره کاربردی آمادگی برای آزمون همراه با یادگیری عملی و آزمون های تمرینی می باشد.

آنچه یاد خواهید گرفت

شما تجربه دست اول در مورد اینکه چگونه ML را در AWS cloud آموزش دهید و بهینه سازی، مستقر و یکپارچه سازی کنید، بدست خواهید آورد.
الگوریتم های AWS Built-in، قابلیت های آماده استفاده AI و Bring Your Own
راهنمای کامل برای AWS Certified Machine Learning - Specialty (MLS-C01)
شامل یک آزمون تمرینی مدت دار با کیفیت بالا است.
استقرار مدل Zero Downtime
چگونه ML را یکپارچه سازی کنیم و از اپلیکیشن خود فراخوانی کنیم؟
تیونینگ خودکار هایپرپارامتر

پیش نیازهای دوره

آشنایی با پایتون
حساب AWS - این دوره شما را در راه اندازی یک حساب به صورت گام به گام راهنمایی می کند.
دانش اولیه Numpy ،Pandas و Matplotlib
یک دانشجوی فعال باشید.

توضیحات دوره

در این دوره، شما از طریق لابراتوارهای عملی که مفاهیم خاصی را نمایش می دهند، تجربه عملی با AWS SageMaker بدست خواهید آورد. این دوره با راه اندازی محیط SageMaker شروع می کند. اگر در زمینه یادگیری ماشین تازه کار هستید، یاد خواهید گرفت چگونه ترکیبی از انواع داده و داده گمشده را مدیریت کنید و چگونه کیفیت مدل را تایید کنید. این موضوعات برای متخصصان یادگیری ماشین و آزمون گواهینامه ضروری هستند.

SageMaker از کانتینرهایی برای بسته بندی الگوریتم ها و فریمورک هایی مانند Pytorch و TensorFlow استفاده می کند. این رویکرد مبتنی بر کانتینر یک رابط استاندارد برای ساخت و استقرار مدل های شما ارائه می دهد و تبدیل مدلتان به یک اپلیکیشن تولید آسان خواهد بود. با مجموعه ای از لابراتوارهای مختصر شما اولین مدل SageMaker خود را آموزش داده و مستقر و فراخوانی خواهید کرد.

مانند هر پروژه نرم افزاری دیگر، یک راه حل یادگیری ماشین به بهبود مداوم نیز نیاز دارد. این دوره بررسی می کند چگونه تغییرات جدید را به صورت ایمن در یک سیستم تولید بگنجانید، تست AB انجام دهید و حتی تغییرات را در صورت نیاز roll back کنید، همه این کارها با zero downtime برای اپلیکیشن شما انجام خواهد شد.

این دوره به روندهای اجتماعی مربوط به عدالت در یادگیری ماشین و سیستم های AI نیز می پردازد. اگر کاربرانتان مدل شما را به تعصب جنسیتی یا نژادپرستی متهم کنند چه کار خواهید کرد؟ چگونه به آن رسیدگی خواهید کرد؟ این بخش مفهوم عدالت، اینکه چگونه تصمیم گرفته شده توسط مدل را توضیح دهید، انواع مختلف تعصب و اینکه چگونه آن ها را اندازه گیری کنید را پوشش می دهد.

این دوره امنیت ابر و اینکه چگونه از داده و مدل خود در برابر کاربر غیرمجاز محافظت کنید را نیز پوشش می دهد. شما در مورد سیستم های توصیه گر و اینکه چگونه ویژگی هایی مانند توصیه های فیلم و محصول را بگنجانید یاد خواهید گرفت. الگوریتم هایی که در این دوره یاد خواهید گرفت پیشرفته هستند و تیونینگ آن ها برای مجموعه داده هایتان می تواند چالش برانگیز باشد. این دوره بررسی خواهد کرد چگونه مدل خود را با ابزارهای خودکار تیونینگ کنید و شما تجربه در زمینه پیش بینی سری زمانی، تشخیص ناهنجاری و ساخت مدل های یادگیری عمیق سفارشی بدست خواهید آورد.

این دوره برای چه کسانی مناسب است؟

این دوره برای افراد علاقه مند به علم داده و یادگیری ماشین مبتنی بر AWS cloud طراحی شده است.
آمادگی برای AWS Certified Machine Learning - Specialty

گواهینامه AWS Certified Machine Learning Specialty - MLS-C01 [2024]

فصل 1: مقدمه و Housekeeping

مقدمه 02:41
بررسی: آزمون AWS Machine Learning Specialty 09:05
آمادگی: آزمون AWS Machine Learning Specialty 04:21
لابراتوار: راه اندازی حساب AWS، پیشنهادات Free Tier، صورتحساب و پشتیبانی 07:00
لابراتوار: راه اندازی هشدارهای صورتحساب و تفویض دسترسی 08:10
لابراتوار: پیکربندی کاربران IAM، راه اندازی رابط خط فرمان (CLI) 11:30
مزایای رایانش ابری 08:39
بررسی زیرساخت گلوبال AWS 10:31

فصل 2: SageMaker Housekeeping

لابراتوار: راه اندازی S3 Bucket 02:52
لابراتوار: راه اندازی نمونه SageMaker Studio JupyterLab 09:21
لابراتوار: راه اندازی نمونه SageMaker Notebook 02:49
لابراتوار: راه اندازی کد منبع 02:25

فصل 3: مفاهیم یادگیری ماشین

آشنایی با یادگیری ماشین - مفاهیم و اصطلاحات کلیدی 10:23
انواع داده: مدیریت موثر ترکیبی از انواع داده 12:41
لابراتوار: راه اندازی یک محیط Notebook پایتون 10:33
لابراتوار: رسیدگی به داده گمشده در پایتون 09:35
لابراتوار: مصورسازی داده - خطی، لگاریتمی، درجه دوم و غیره 04:38

فصل 4: ارزیابی عملکرد مدل

مقدمه 03:26
لابراتوار: ارزیابی عملکرد مدل رگرسیون 09:58
لابراتوار: ارزیابی عملکرد Classifier باینری 08:00
لابراتوار: درک ماتریس درهم ریختگی برای Classifier های باینری 06:55
لابراتوار: استفاده از ماتریس درهم ریختگی SKLearn برای Classifier های باینری 03:18
Classifier باینری: تعریف متریک های کلیدی 03:52
Classifier باینری: توضیح محاسبه متریک ها 04:26
Classifier باینری: درک متریک های مساحت زیر منحنی (AUC) 09:39
لابراتوار: ارزیابی Classifier های چند کلاسه 12:35
ارزیابی عملکرد مدل None

فصل 5: بررسی سرویس SageMaker

آشنایی با SageMaker 04:54
قیمت گذاری و نوع نمونه 10:20
فرمت داده 11:12
الگوریتم های Built-in در SageMaker 09:35
فریمورک های محبوب و الگوریتم Bring Your Own 05:24

فصل 6: سرویس SageMaker و تغییرات SDK

آموزش مدل با Console 08:02
آموزش مدل با SDK پایتون 08:19
آموزش SageMaker None

فصل 7: XGBoost - درخت های تقویت گرادیان

آشنایی با XGBoost 08:52
لابراتوار: آماده سازی داده رگرسیون ساده 05:06
لابراتوار: آموزش رگرسیون ساده 12:25
لابراتوار: آماده سازی داده مجموعه داده غیرخطی 02:39
لابراتوار: آموزش مجموعه داده غیرخطی 04:47
لابراتوار: آماده سازی داده رگرسیون اجاره دوچرخه 08:24
لابراتوار: آموزش مدل رگرسیون اجاره دوچرخه 06:09
لابراتوار: آموزش با Log of Count 04:14
لابراتوار: چگونه با الگوریتم built-in در SageMaker به نام XGBoost آموزش دهیم؟ 07:36
لابراتوار: چگونه پیش بینی هایی در برابر اندپوینت موجود SageMaker اجرا کنیم؟ 04:29
ویژگی های اندپوینت SageMaker 05:41
لابراتوار: دسته بندی چند کلاسه 05:41
لابراتوار: دسته بندی باینری 06:21
تیونینگ هایپرپارامتر، بایاس-واریانس و منظم سازی (L1 و L2) 11:07
آزمون - XGBoost None
کم برازش و بیش برازش None

فصل 8: فراخوانی اندپوینت مدل از کلاینت های خارجی

بررسی یکپارچه سازی 02:32
لابراتوار: کلاینت به اندپوینت با SageMaker SDK 09:26
لابراتوار: کلاینت به اندپوینت با Boto3 SDK 03:50
میکروسرویس - لامبدا به اندپوینت - Payload 03:24
لابراتوار: میکروسرویس - لامبدا به اندپوینت 09:09
لابراتوار: API Gateway، لامبدا و اندپوینت 10:34

فصل 9: تغییرات اندپوینت با Zero Downtime

[تکرار] ویژگی های اندپوینت، نظارت و مقیاس بندی خودکار 05:41
چگونه تغییرات سیستم تولید را مدیریت کنیم؟ 07:54
لابراتوار: تست AB چند واریانت تولید 11:53
لابراتوار: اندپوینت Multi-model 08:15
اندپوینت ها None

فصل 10: راه حل های بدون کد و Low-Code در SageMaker: بررسی Data Wrangler ،Canvas و AutoPilot

لابراتوار عملی: تحلیل تعداد اجاره ها با SageMaker Data Wrangler 19:36
لابراتوار عملی: تبدیل و پاکسازی داده با SageMaker Data Wrangler 10:10
لابراتوار: آموزش، استنباط و پاکسازی مدل Autopilot و Canvas 08:50

فصل 11: روندهای نوظهور AI و مسائل اجتماعی

آیا AI سوگیری دارد؟ 07:40
ابزارهای تشخیص سوگیری - شفافیت، آزمایش ها، نظارت بر مدل و Augmented AI 07:41
روندهای نوظهور AI و مسائل اجتماعی None

فصل 12: امنیت ابر و مدیریت دسترسی

مدل مسئولیت مشترک، انطباق، تفویض و Federation 08:33
اعتبارنامه ها، MFA و سیاست مبتنی بر منابع و مبتنی بر هویت 07:24
سیاست درون خطی و مدیریت شده و کنوانسیون Amazon Resource Naming (ARN) 08:30
اصل، اثر، اقدام، منبع و Not Clause 06:55
دسترسی شرطی، Explicit Deny ،Explicit Allow ،Implicit Deny و مرز مجوز 07:42
نقش های IAM و گزینه های دسترسی بین حسابی 06:17
AWS Organizations ،Active Directory ،SAML ،SSO ،Federation و Cognito 06:16
لابراتوار: سیاست مبتنی بر هویت، Implicit Deny و Explicit Allow 05:01
لابراتوار: ژنراتور سیاست، نسخه ها، گروه ها و سیاست مدیریت شده 05:40
(Q&A) تغییرات کنسول - سیاست - چگونه دسترسی به Bucket و Object را فراهم کنیم؟ 01:30
لابراتوار: سیاست مبتنی بر منبع، ژنراتور سیاست و اصول 05:14
امنیت ابر None

فصل 13: تحلیل مؤلفه‌ اصلی (PCA)

آشنایی با تحلیل مؤلفه‌ اصلی (PCA) 05:49
بررسی دموی PCA 01:16
دمو: PCA با مجموعه داده تصادفی 03:29
دمو: PCA با مجموعه داده همبسته 05:26
دمو: PCA با اشتراک گذاری دوچرخه Kaggle - بررسی و نرمال سازی 03:51
دمو: حالت محلی PCA با آموزش دوچرخه Kaggle 03:30
دمو: آموزش PCA با SageMaker 04:22
دمو: پرجکشن PCA با SageMaker 02:42
خلاصه 01:22

فصل 14: سیستم های توصیه گر فیلم - ماشین های فاکتورسازی

آشنایی با ماشین های فاکتورسازی 05:59
دمو: آماده سازی داده توصیه گر فیلم 10:35
دمو: آموزش مدل توصیه گر فیلم 05:34
دمو: پیش بینی فیلم ها بر اساس کاربر 07:10

فصل 15: بهینه سازی مدل و تیونینگ هایپرپارامتر

آشنایی با تیونینگ هایپرپارامتر 06:11
لابراتوار: تیونینگ سیستم توصیه گر ماشین فاکتورسازی رتبه بندی فیلم 18:05
لابراتوار: گام 2 - تیونینگ سیستم توصیه گر رتبه بندی فیلم 05:00
[تکرار از XGBoost] تیونینگ هایپرپارامتر، بایاس-واریانس و منظم سازی (L1 و L2) 11:07
بهینه سازی مدل None

فصل 16: پیش بینی سری زمانی - DeepAR

آشنایی با پیش بینی سری زمانی DeepAR 09:47
آموزش DeepAR و فرمت های استنباط 09:48
کار با داده سری زمانی و مدیریت مقادیر گمشده 09:58
دمو: اجاره دوچرخه به عنوان مسئله پیش بینی سری زمانی 11:43
دمو: آموزش مدل اجاره دوچرخه 07:21
دمو: پیش بینی اجاره دوچرخه 04:50
دمو: دسته بندی های DeepAR 06:10
دمو: آماده سازی داده ویژگی های پویای DeepAR 06:34
دمو: آموزش و پیش بینی ویژگی های پویای DeepAR 03:05
خلاصه 01:15

فصل 17: تشخیص ناهنجاری - جنگل برش تصادفی

آشنایی با جنگل برش تصادفی و بینش پشت تشخیص ناهنجاری 10:10
لابراتوار: تحلیل ترافیک مسافر تاکسی (مثال AWS ارائه شده) 08:53
لابراتوار: تحلیل فروش خودکار 05:54

فصل 18: سرویس های هوش مصنوعی (AI)

مقدمه 03:15
Amazon Transcribe و لابراتوار 05:32
Amazon Transcribe و لابراتوار 06:34
Amazon Translate 04:29
Amazon Comprehend 05:42
Amazon Comprehend 05:00
آموزش Amazon Comprehend 08:35
Amazon Polly 04:16
Amazon Lex 06:48
Amazon Rekognition 08:21
Amazon Textract و خلاصه 03:02
آزمون سرویس های AI None

فصل 19: معماری S3 Data Lake - تلفیق داده

آشنایی با Data Lake 10:28
Kinesis - استریمینگ و پردازش دسته ای 05:23
فرمت های داده و ابزارها برای تبدیل فرمت داده 08:33
تحلیل In-Place و پورتفولیوی ابزارها 04:46
نظارت و بهینه سازی 06:16
امنیت و محافظت 06:36
آزمون - Data Lake None
لابراتوار: Glue Data Catalog 08:31
لابراتوار: کوئری با Athena 02:01
Glue ETL - دیتافریم Pandas در مقابل دیتافریم اسپارک در مقابل Glue DynamicFrame 11:37
لابراتوار: Glue ETL - تبدیل فرمت به Parquet 07:24
لابراتوار: تحلیل نظر مشتری 15:54
لابراتوار: راه حل بدون سرور نظر مشتری - بخش 1 09:45
لابراتوار: راه حل بدون سرور نظر مشتری - بخش 2 07:51