ذخیرهسازی و پردازش داده مقیاسپذیر برای بارهای کاری هوش مصنوعی
✅ سرفصل و جزئیات آموزش
استراتژیهایی را برای طراحی و پیادهسازی سیستمهای ذخیرهسازی داده کشف کنید که بتوانند به طور کارآمد از پس نیازهای کلان اپلیکیشنهای هوش مصنوعی برآیند.
راهحلهای ذخیرهسازی و پردازش داده ضروری هستند، اما چگونه میتوانید آنها را به طور مؤثر در مقیاس بزرگ مدیریت کنید؟ در این دوره، مدرس Janani Ravi اصول طراحی و پیادهسازی سیستمهای ذخیرهسازی داده را پوشش میدهد که میتوانند به طور کارآمد از پس نیازهای کلان برنامههای مجهز به هوش مصنوعی برآیند. تکنیکهای مدیریت، پردازش و بهینهسازی جریان داده در محیطهای توزیعشده را برای اطمینان از اجرای با کارایی بالای مدلهای هوش مصنوعی بررسی کنید.
این دوره که برای متخصصان فنی فعال در زمینه هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین ایدهآل است، شما را با مهارتهای لازم برای نه تنها مدیریت، بلکه بهینهسازی بارهای کاری هوش مصنوعی خود مجهز میکند.
ذخیرهسازی و پردازش داده مقیاسپذیر برای بارهای کاری هوش مصنوعی
-
راهحلهای مقیاسپذیر برای ذخیرهسازی و پردازش 0:02:49
-
پیشنیازها 0:00:56
-
انواع داده: ساختار یافته، نیمه ساختار یافته و نامنظم 0:05:49
-
درک داده ساختار یافته 0:02:35
-
درک داده نیمه ساختار یافته 0:04:10
-
درک داده نامنظم 0:02:28
-
نیازمندیهای ذخیرهسازی در پایپلاین هوش مصنوعی 0:06:58
-
ذخیرهسازی داده در گردش کار هوش مصنوعی 0:05:37
-
ملاحظات ذخیرهسازی هوش مصنوعی 0:04:53
-
بهترین شیوهها برای ذخیرهسازی هوش مصنوعی 0:02:09
-
ذخیرهسازی ابری در Google Cloud 0:05:24
-
ذخیرهسازی شیء با استفاده از Amazon S3 0:05:44
-
ذخیرهسازی بلوب در Azure 0:05:44
-
تولید تقویتشده با بازیابی 0:04:56
-
پایگاههای داده و تعبیههای برداری 0:04:50
-
جستجوی معنایی با Pinecone 0:09:05
-
انواع بارهای کاری هوش مصنوعی 0:05:10
-
بهترین شیوهها برای بهینهسازی بارهای کاری هوش مصنوعی 0:04:57
-
بارهای کاری هوش مصنوعی در ابر 0:05:17
-
خلاصه و مراحل بعدی 0:01:08
مشخصات آموزش
ذخیرهسازی و پردازش داده مقیاسپذیر برای بارهای کاری هوش مصنوعی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:20
- مدت زمان :1:30:39
- حجم :158.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy