1
2
3
مدت
مدرک
تاریخ به روز رسانی
1
2
3
مدت
مدرک
تاریخ به روز رسانی

مسیر «مهندس هوش مصنوعی» یک برنامه جامع و پروژهمحور است که شما را برای ورود به یکی از پردرآمدترین و روبهرشدترین نقشهای دنیای فناوری آماده میکند. مهندس هوش مصنوعی کسی است که توانایی طراحی، توسعه و استقرار سیستمهای هوشمند در مقیاس واقعی و صنعتی را دارد و نقش کلیدی در ساخت محصولات مبتنی بر داده و هوش مصنوعی ایفا میکند. در این مسیر با پایتون، گیت و پایگاه داده بهعنوان ابزارهای پایه آشنا میشوید و سپس وارد مباحث اصلی یادگیری ماشین، یادگیری عمیق و یادگیری تقویتی میشوید. در ادامه با مفاهیم مدرنتر مانند هوش مصنوعی مولد، مهندسی پرامپت، مدلهای چندوجهی (Multimodal AI) و RAG آشنا میشوید. در بخش پایانی نیز مهارتهای مهم مهندسی و استقرار شامل Docker، CI/CD، MLflow، MLOps و Kubernetes را یاد میگیرید تا بتوانید سیستمهای هوش مصنوعی را بهصورت حرفهای و مقیاسپذیر پیادهسازی کنید.
(704 رای)
کلیات حل مساله
ساختار الگوریتم ها
دستورات شرطی
حلقه و تکرار
حل چند مساله
فلوچارت
توضیحات محیط و نصب
عملگرهای ریاضی
عملگرهای شرطی، منطقی و بیتی
ساخت رشته
کنترل نحوه نمایش
لیست ها
توابع کار با لیست
تاپل ها
دیکشنری و مجموعه
ساختار شرطی
حلقه ها
حلقه در ساختارهای داده
رسم اشکال هندسی(حل تمرین)
مثلث خیام پاسکال(حل تمرین)
تابع نویسی
متغیرهای محلی
شی گرایی 1
شی گرایی 2
آرایه های چند بعدی در Numpy
اعمال توابع در Numpy
آمار و احتمالات در Numpy
فکر بکر 1(حل تمرین)
فکر بکر 2(حل تمرین)
دیتافریم در Pandas
گروه بندی داده ها در Pandas
رسم نمودار گرافیکی
رسم نمودارهای آماری
توابع لامبدا و رسم سری ریمان(حل تمرین)
کار با فایل
ویروس و آنتی ویروس
آشنایی با انواع خطا
مدیریت استثنا1
مدیریت استثنا2
استثنا(حل تمرین)
1
(81 رای)
فریمورکهای هوش مصنوعی
بصریسازی دادهها
پردازش صوت و گفتار در پایتون
پردازش متن و معرفی Parserها در پایتون
پردازش تصویر در پایتون
شیگرایی مقدماتی
شیگرایی پیشرفته
آموزش مقدماتی decorator
آموزش decorator پیشرفته قسمت اول
آموزش decorator پیشرفته قسمت دوم
Type Annotations مقدماتی
کتابخانهی Typing
آشنایی کتابخانه Pydantic
شروع برنامهنویسی تابعی قسمت اول
شروع برنامهنویسی تابعی قسمت دوم
Generator ها در پایتون
مفهوم کد تمیز
Design Pattern و Singleton Pattern
معرفی کتابخانه Logging و نحوهی ماژولبندی
ادامهی نحوهی Log زدن صحیح در Production
نحوهی نوشتن CLI در پایتون (typer , argparse)
آشنایی با Enum کلاسها
معرفی پروژهی کلاس Silero-VAD-Python
معرفی ساختار تمیز و استفاده از Cookiecutter
Linterها در پایتون
آموزش نحوه Test نویسی
بازنویسی پروژه Silero-VAD-Python
نحوه انتشار پکیج در pypi.org
نحوه نوشتن اپلیکیشن با استفاده از fastapi
نحوه نوشتن اپلیکیشن تحت وب با استفاده از gradio
(52 رای)
گیت چیست؟
تاریخچه گیت
معرفی گیت هاب
نصب گیت
push کردن در گیت هاب
نحوه clone , pull, push در یک پروژه تیمی ساده
آشنایی با add , gitignore
آشنایی با commit و انواع تغییرات فایل در گیت
آشنایی با دستور diff
آشنایی با دستور remote و push
آشنایی با pull و fetch و رفع ناسازگاریها
بازگشت به عقب با استفاده از reset, revert
آشنایی با مفهوم شاخه (Branch)
مفهوم workflow
عملیات ادغام و کار با merge و rebase
دستور checkout
دستور commit --amend و دستور tag
دستور stash
آموزش submodule قسمت اول
آموزش submodule قسمت دوم
آشنایی با محیط گیت هاب
آشنایی با codespace, profile
ساختن github pages
آموزش fork , pull request داخل گیت هاب
آموزش github actions
(99 رای)
آشنایی با پایگاهداده
آشنایی با نرمالسازی پایگاه داده
نصب SQL Server و SSMS
آشنایی با محیط SSMS
دستورات مقدماتی SQL
اعمال چندین شرط بر روی ستونهای متنی و تاریخ
شرط بر روی مقادیر ناموجود
آشنایی با جداول و مقادیر منحصربهفرد
آشنایی و استفاده از جا نگهدارها
توابع متنی در SQL
توابع تاریخ در SQL
توابع عددی در SQL
انواع داده در SQL
آشنایی با sub Query
آشنایی با مفهموم Join در SQL
پیاده سازی Joing در SQL
ساخت جداول و دیتابیس در SQL
کلید اصلی و خارجی
ویرایش و حذف جداول و دیتای آنها
درج داده در جداول و بهروزرسانی دادهها
انتقال و استخراج داده از SQL Server به فایل
CROSS JOIN و اپراتور APPLY در SQL
توابع تجمیعی در SQL
برخی کوئریهای تحلیلی
شرط بر روی خروجی Group By
مروری بر شرط HAVING با دیتابیس جدید
ساخت و تغییر View
استفاده از شرط در SELECT
متغیرها و کنترل جریان اجرای کوئری
ساخت جدول تاریخ با استفاده از حلقه WHILE
جداول موقت و CTE در SQL
اپراتورهای مجموعهای در SQL
کوئری Merge برای مقایسه جداول
آشنایی با توابع پنجرهایی (window function)
توابع پنجرهای و Rank برای شناسایی مشتریان برتر
توابع Log , Lead و کاربرد آنها
تابع ntile و الگوریتم RFM
ساخت روال ذخیره شده و تابع
ساخت job و زمانبندی اجرای job
مروری بر ایجاد دسترسی
مقدمهای بر بهبود عملکرد با Index
ساخت schema
(162 رای)
Introduction to Machine Learning
?What is Machine Learning
Learning Types
Introduction to Linear Regression
Gradient Descent
Nonlinear Regression
Bias & Variance
Regularization
Introduction to Sklearn(Programing)
Pre-process 01(Programing)
Pre-process 02(Programing)
Pre-process 03(Programing)
Pre-process 04(Programing)
Pre-process 05(Programing)
Pre-process 06(Programing)
Regression 01(Programing)
Regression 02(Programing)
Regression 03(Programing)
Regression 04(Programing)
KNN
KNN decision boundary
KNN 01(Programing)
KNN 02(Programing)
Evaluation Metrics
Decision Tree
Entropy
ID3 algorithm
C4.5 algorithm
پیاده سازی درخت تصمیم
بررسی معیارهای ارزیابی در درخت تصمیم
بررسی ماتریس درهم ریختگی و نمودار ROC در درخت تصمیم
Multiclass
Bayesian Networks
Inference in Bayesian Networks
Naive Bayes Classifier
Naive Bayes classifier Example
Hidden Markov Model
Gaussian Naive Bayes
Gaussian Naive Bayes Parametric
Naive Bayesian 01(Programing)
Naive Bayesian 02(Programing)
Logistic Regression
Formalism
Roc Curve
Logistic Regression(Programing)
SVM
Svm Example
Kernel Functions
Soft Margin in Svm
SVM(Programing)
Ensemble of Classifiers
Stacking & Bagging
Boosting & Adaboost
Ensemble(Programing)
(102 رای)
مقدمهای بر هوش مصنوعی و یادگیری ماشین
تقسیمبندی مسائل یادگیری ماشین: یادگیری بانظارت و بدون نظارت
مسائل و کاربردهای یادگیری بدون نظارت
معیارهای فاصله و شباهت
انواع روشهای خوشهبندی
خوشبندی سلسله مراتبی
الگوریتم K-means
الگوریتم Kernel K-means
الگوریتم DBSCAN
معیارهای ارزیایی خوشهبندی
مقایسه Linkage های مختلف در خوشهبندی سلسله مراتبی (Programming)
نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)
پیادهسازی الگوریتم k-means روی مجموعه داده digits (Programming)
استفاده از الگوریتم k-means برای color quantization (Programming)
مقدمهای بر روشهای کاهش بعد
روشهای انتخاب ویژگی
Sequential Forward Selection
Bias-Variance Tradeoff
PCA (part1)
PCA (part2)
PCA using SVD (Matrix Factorizations)
LDA (part1)
LDA (part2)
مقایسهی PCA , LDA (Programming)
تخمین توزیع و تخمینگر MLE
توزیع نرمال و تخمینگر MLE
توزیع نرمال چند متغیره
الگوریتم EM و توزیع GMM
الگوریتم EM
کاربرد GMM در خوشهبندی و تخمین توزیع (Programming)
Autoencoder
برخی از کاربردهای Autoencoder (Denoising)
Variational Autoencoder
VAE: Regularized Latent Space
Normalizing Flows
رابطهی تغییر متغیر (Change of Variable Formula)
مدل NICE
مدل RealNVP
مدل Glow
Semi-Supervised و الگوریتم Self-Training
الگوریتم Co-training و Label Propagation
Semi-Supervised Learning and Bias-Variance Tradeoff
Data Augmentation
Transfer Learning
Self-Supervised Learning
BERT and GPT Models
تحلیل احساسات با استفاده از مدل (Programming) BERT
تشخیص ناهنجاری و الگوریتم Isolation Forest
تشخیص ناهنجاری با استفاده از AE و تخمین توزیع
تشخیص ناهنجاری با استفاده از Isolation Forest بر روی کارتهای اعتباری (Programming)
(173 رای)
مقدمه
دستاوردهای هوش مصنوعی 01
دستاوردهای هوش مصنوعی 02
هوش مصنوعی در بازار کار
آینده هوش مصنوعی 01
آینده هوش مصنوعی 02
یادگیری عمیق چیست؟
تاریخچه شبکههای عصبی
تفاوت یادگیری عمیق و کلاسیک
فرایند کلی یادگیری عمیق
مقدمه
یادگیری ماشین
انواع روش های یادگیری ماشین
یادگیری تقویتی
چالشهای یادگیری ماشین 01
چالشهای یادگیری ماشین 02
چالشهای یادگیری ماشین 03
شبکههای عصبی 01
شبکههای عصبی 02
الگوریتم گرادیان کاهشی ۰۱
الگوریتم گرادیان کاهشی 02
پیاده سازی الگوریتم گرادیان کاهشی بر روی شبکه عصبی پرسپترون
الگوریتم پس انتشار خطا
batch & mini-batch & stochastic gradient descent
مثال ساده طبقه بندی
شبکههای عصبی MLP
مفهوم کانولوشن
کانولوشن در پردازش تصویر
شبکههای عصبی کانولوشنال 01(CNN)
شبکههای عصبی کانولوشنال 02(CNN)
لایه Transposed Conv
شبکه AlexNet
شبکه VGG & GoogleNet & ResNet
بهینهسازی شبکههای عصبی
Dropout
Data Augmentation & Batch Normalization
طراحی شبکههای عمیق 01
طراحی شبکههای عمیق 02
طراحی شبکههای عمیق 03
یادگیری انتقالی(Transfer Learning)
مثال کاربردی
پیاده سازی Transfer Learning
معرفی اتوانکدرها
کاربرد اتوانکدرها
مدلهای مولد
مدلهای مولد تخاصمی
انواع مدلهای GAN
StyleGAN
چالشهای مدلهای GAN & مدلهای مولد متن به تصویر
مدلهای مولد متن به تصویر
آموزش Google Colab
Deep learning frameworks
Tensorflow
شبکههای بازگشتی
شبکههای بازگشتی و مکانیزم توجه
مکانیزم توجه
ترانسفورمرها 01
ترانسفورمرها 02
Deep Feed-Forward Coding
Deep Forward Implementation
CNN 01
CNN 02
Training and overfitting
(42 رای)
معرفی دوره
اهمیت Generative AI، کاربردها تکنیک های موثر
توضیح یادگیری نظارت شده و بدون نظارت و تفاوت ها
روش k-means
روش hierarchichal clustering
PCA
توضیح anomaly detection، کاربرد ها و جمع بندی
آشنایی با ensemble method و کاربرد ها- bagging
آشنایی با boosting method
مقایسه bagging و boosting
توضیح روش stacking و جمع بندی
RL ، DL و علت ترکیت مفاهیم
توضیح مفاهیم مرتبط با DQN و policy gradiant method
actor critic method
توضیح اولیه شبکههای capsule network
بررسی فنی نحوه پردازش و محاسبات ریاضی capsule network
بررسی پیادهسازی فنی و کاربردها در آینده
آشنایی با Neural Turing Machines و ساختار ریاضی
پیاده سازی فنی و ساختار معماری Neural Turing Machines
آشنایی با شبکه RNN
آشنایی با LSTM
آشنایی با GRU(Gated Recurrent Unit)
معرفی شبکههای GAN و تحلیل ریاضی آن
تحلیل عمیق شبکههای GAN
معرفی wGAN و cycleGAN
معرفی اولیه شبکههای VAE
بررسی تحلیلی شبکههای VAE و ساختار عملکردی
متودهای پیچیدهتر VAEو آینده و چالشها
معرفی اولیه و تاریخچه diffusion models
تحلیل معماری و ریاضیاتی diffusion models
گونههای پیچیدهتر شبکههای Diffusion model و آینده و چالشها
معرفی transformer
معرفی و تحلیل BERT
بررسی GPT4-T5 و مقایسه آنها
معرفی اولیه مفهوم transfer learning
بررسی چند نمونه از transfer learningو fine tuning
بررسی کاربردها و آینده
معرفی کلیت prompt engineering
بررسی چند سناریو و advanced prompt engineering
معرفی کلیات multi modal systems
معرفی و بررسی فریم ورکهای langchain
بررسی سناریوها و آینده multi modal ها
توضیح پروژه پایانی
(39 رای)
مقدمه
چارچوبهای اصلی
توابع هزینه
بهینه سازی و تعمیم پذیری
فرآیند تصمیم مارکوف
روشهای برنامه نویسی پویا
روش مونت کارلو۱
روش مونت کارلو۲
روش یادگیری temporal difference1
روش یادگیری temporal difference2
Q-learning
N-step return
SARSA
تخمین تابع ارزش
شواهد زیستی
بخش۱: توزیع توام دنبالهها
بخش۲: گرادیان سیاست
بخش۳:الگوریتم reinforce و تفسیر آن
بخش۴: بایاس و واریانس
مفاهیم اصلی بخش اول
مفاهیم اصلی بخش دوم
روش های پیشرفته بخش اول
روش های پیشرفته بخش دوم
کنترل کلاسیک و برنامه ریزی
روشهای برنامه ریزی و جستجو
یادگیری مدل محیط
عدم قطعیت
یادگیری سیاست در یادگیری تقویتی مبتنی بر مدل
یادگیری تقلیدی
روش های random shooting, CEM, MCTS
مقدمه و تعریف
انگیزهها و چالشها
مشکل شیفت توزیع و بیش تخمین تابع ارزش
روشهای مبتنی بر سیاست
روشهای مبتنی بر تابع ارزش
روشهای مبتنی بر مدل
یادگیری تقویتی با بازخورد انسانی
مفاهیم اولیه
الگوریتمهای UCB و نمونه برداری تامپسون
contextual
معرفی OpenAI Gym
پیاده سازی محیط
پیاده سازی جدولی روش Q-learning
پیاده سازی Q-learning
پیاده سازی SARSA و Double Q-learning
پیاده سازی Q-learning با شبکههای عصبی1
پیاده سازی Q-learning با شبکههای عصبی2
روش گرادیان سیاست - الگوریتم REINFORCE
روش Actor-Critic
روش مبتنی بر مدل1
روش گرادیان سیاست - الگوریتم REINFORCE
روش Actor-Critic
روش مبتنی بر مدل2
روش مبتنی بر مدل3
روش Multi-Armed Bandit
روش Epsilon-Greedy و Softmax
روشهای UCB و Thompson Sampling
(69 رای)
مقدمه، مشاهده یک پرامپت، مبانی
مبانی و مفاهیم پرامپتنویسی
اصول و قواعد پرامپتنویسی
مدلها و ابزارهای پرامپتنویسی
بررسی تغییر متغیرهای پرامپتنویسی و اثر آنها
تمرین نکات اموزشی فصل اول و اجزای پرامپت
پیادهسازی یک ایجنت هوش مصنوعی ساده و مرور پرامپتهای پیشرفته
یادگیری مدلهای مختلف، ابزارها و بهینهسازی پرامپت
روشهای پیشرفته پرامپتنویسی بخش اول
روشهای پیشرفته پرامپتنویسی بخش دوم
پیادهسازی دستیار آموزشی
تست دستیار اموزشی و بهبود کیفیت آن
ساخت دستیار آموزشی مالتی ایجنت
روشهای کاربردی پرامپتنویسی بخش اول
روشهای کاربردی پرامپتنویسی بخش دوم
روشهای کاربردی پرامپتنویسی بخش سوم
روشهای کاربردی پرامپتنویسی بخش چهارم
مرور کدهای روش DSP
مرور کد active prompt بخش اول
مرور کد active prompt بخش دوم
مرور کد Tree of Thoughts
مرور کد Automatic reasoning and Tool-use بخش اول
مرور کد Automatic reasoning and Tool-use بخش دوم
مرور کد Program-aided language
مرور کد React
مرور کد Chain of Table
مرور کد Automatic Prompt Engineering
مرور کد Least-to-Most
مرور کد RAG بخش اول
پیاده سازی RAG ساده و بررسی ساختار آن 1
پیاده سازی RAG ساده و بررسی ساختار آن 2
مرور کد RAG بخش دوم
مرور مشکلات prompt نویسی
بررسی کد Text2SQL
آموزش Chainlit و پیاده سازی یک چت بات کامل
(34 رای)
مقدمهای بر VLM و مدلهای چندوجهی (MultiModal)
معرفی CLIP
مفهوم Embedding متن و تصویر
تابع هزینه (Loss Function) و نحوهی آموزش CLIP
استفاده از Hugging Face برای درک Embedding متن در CLIP
بررسی Embedding تصویر و مقایسهی Embedding تصویر و متن
آموزش Zero-Shot با CLIP
آموزش مدل Dual Encoder (مشابه CLIP) با فریمورک Keras
معرفی SigLIP
Image Captioning با Qwen
توصیف تصویر فارسی (Persian Image Captioning)
شناسایی اشیاء (Object Detection)
استفاده از مدل چندوجهی Gemma 3 – بخش اول
استفاده از مدل چندوجهی Gemma 3 – بخش دوم
درک ویدئو با Qwen VL – بخش اول
درک ویدئو با Qwen VL – بخش دوم
دلایل Fine-tuning کردن VLM و مفهوم PEFT
روشهای LoRA و QLoRA
مثال Fine-tuning روی سؤال و جواب تصویری
مثال Fine-tuning روی OCR فرمولهای ریاضی
مثال Fine-tuning روی عکسهای رادیولوژی
آشنایی با تکنیک Diffusion
آشنایی با معماری UNet
استفاده از کتابخانهی Diffusers و آموزش تولید تصویر – بخش ۱
استفاده از کتابخانهی Diffusers و آموزش تولید تصویر – بخش ۲
بارگذاری یک مدل از پیش آموزشدادهشده و خروجی گرفتن با DDIM
Fine-tuning مدل
مفهوم Control و Guidance
(54 رای)
مقدمهایی بر سیستمهای پرسش و پاسخ و چیستی RAG
معماری - ویژگیها و سیر تکامل RAG
پیادهسازی پایهای RAG
پیش پردازش و قطعهبندی
استراتژیهای قطعهبندی و جاسازی (Embedding)
بهینهسازی مدلهای جاسازی (Embedding)
پیادهسازی کامل پایپلاین RAG ساده با FAISS و مدل جاسازی E5
پیادهسازی و بررسی استراتژیهای مختلف قطعهبندی متن (Chunking)
بازیابی (Retrieval) و نمایهسازی (Endexing)
چالشهای RAG ساده و فیلترهای پیش بازیابی (Pre-Retrieval)
فیلترهای پسابازیابی (Post-retrieval)
RAG پیمانهای (Modular)
اجزای RAG در کاربرد فرضی و Augmentation
RAG خودبازتابی (Self-RAG) و RAG تطبیقی (Adaptive)
پیادهسازی و مقایسه روشهای بازیابی برداری، واژگانی، ترکیبی و بازنویسی رتبه (Reranking)
RAG چند وجهی - مقدمه ایی بر RAG گرافی
RAG های مبتنی بر گراف و تفاوت های آن با RAG های متنی
الگوهای بازیابی در GraphRAG
TableRAG - Text2SQL - NL2SQL
الگوهای RAG چندوجهی
پیادهسازی TableRAG با تولید و اعتبارسنجی خودکار کوئریهای SQL
پیادهسازی GraphRAG مبتنی بر رویکرد مایکروسافت
مرور و مقایسه انواع RAG و معرفی RAG عامل محور
معرفی نقش طرحریز (Planner) در RAG عامل محور
معرفی نقش حافظه (Memory) در RAG عامل محور
چالشهای سیستمهای مبتنی بر RAG و معیارهای ارزیابی عملکرد آنها
مروری بر زیست بوم RAG و کارهای قابل انجام آتی
(126 رای)
معرفی کانتینر قسمت اول
معرفی کانتینر قسمت دوم
معرفی کانتینر قسمت سوم و آشنایی با ایمیج
معرفی ایمیج و ephemeral storage
آشنایی اولیه داکر
پایان فصل اول
معرفی داکر
شروع با کانتینر قسمت اول
شروع با کانتینر قسمت دوم
شروع با کانتینر قسمت سوم
شروع با کانتینر قسمت چهارم
دسترسی کاربران به داکر
آشنایی با داکر فایل
آشنایی ابتدایی با داکر بیلد
مثال برای بیلد یک اپلیکیشن با golang
بهینهسازی بیلد
مثال multistage
buildkit , Dockerfile ref
استوریج و والیوم
bind mount TempFS و جمع بندی استوریج مقدماتی
مفاهیم اولیه نتورک در داکر - قسمت اول
مفاهیم اولیه نتورک در داکر - قسمت دوم
مفاهیم اولیه نتورک در داکر - قسمت سوم
مفاهیم اولیه نتورک در داکر - قسمت چهارم (پابلیش)
مفاهیم اولیه declarevie
آشنایی با داکر کامپوز
مثال عملی داکر کامپوز
جمع بندی داکر کامپوز
راه اندازی container registry با docker compose
آشنایی با مفاهیم orchestrator
raft
کلاستر swarm و آشنایی با service
راه اندازی کلاستر swarm
اجرای یک سرویس
Rolling Update
Routing Mesh
Overlay
Secret & Config
Docker Stack
سناریو پایانی (امتحان)
(126 رای)
معرفی متدولوژی های توسعه نرم افزار
چرخه عمر DevOps
طریقه پیاده سازی Gitflow
نصب و راهاندازی گیتلب
پایپلاین CI/CD
راهاندازی گیتلب رانر
سامانه ارزیابی کیفیت کد(سونارکیوب)
داکر
مدیریت خط تولید
مثال عملی
ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 01
ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 02
(14 رای)
مقدمه و آشنایی اولیه یا Mlflow
آشنایی با اجزای MLflow
نصب اولیه MLflow
بررسی رقبای MLflow
تعریف مساله و ساخت مدلهای اولیه
نحوه مدیریت دادههای نامتوازن (imbalanced)
ساخت Experiment در MLflow
Experiment Tracking مدلها با MLflow
Model Registry در MLflow
Load Model در MLflow
طریقه نصب Mlflow بر روی سرور با استفاده از داکر
تحلیل اولیه دیتاست و شروع کار با MLFlow
آموزش مدلها و ایجاد ساختار درست پروژه
ساختاردهی پروژه جهت مدیریت در MLFlow
پیکربندی داکر و استفاده در MLFlow
نمایش کل خروجی ها و تحلیل در MLFlow
(87 رای)
Introduction
ML Project Life Cycle
ML life Cycle: Case Study
Deployment
Common Deployment Patterns
Monitoring
Pipeline Monitoring
Modeling
Low Average Test Error isn't Good Enough
Establish a Baseline
Performance Auditing
Data-centric AI
Data Definition
Label Consistency
HLP
Data Pipeline
Scoping
Data Lifecycle
Data
Responsible Data
Labelling
Data Issues
Feature Engineering
Preprocessing in Production
TF Transform
Feature Selection Example
ML Metadata
Evolving Data
Advanced Labeling
Neural Architecture Search
Auto ML
Resource Management
Quantization and Pruning
High Performance Modeling
Model analysis
Robustness
Remediation and Monitoring
Interpretability
Model Serving
Serving Systems
Serving Patterns
Online and Batch Inference
Experiment Tracking
Mlops level 0, 1 and 2
CI/CD
Monitoring and Privacy
FastAPI and a Simple Deep Model
TensorFlow Data Validation
Preprocess Data with TensorFlow Transform
Simple TFX Pipeline
Recursive Feature Elimination
Active Learning
Keras Tuner
Post-Training Quantization
Quantization Aware Training
Pruning
Distributed Training: One Device Strategy
Knowledge Distillation
(21 رای)
مقدمه
معماری Kubernetes
ادامه معماری Kubernetes و نصب Docker Registry
نصب و راه اندازی Nexus Repository قسمت اول
نصب و راه اندازی Nexus Repository قسمت دوم
راه اندازی کلاستر Kubernetes قسمت اول ( نصب kind, kubectl)
راه اندازی کلاستر Kubernetes قسمت دوم ( نصب minikube, k3s)
تعریف Context در Kubernetes
نصب kubeadm
نصب CNI Calico
Pod
Namespace
برررسی لاگ های Resource ها
Label
Annotation
Liveness Probe
Replication Controller
ReplicaSet
DaemonSet
Job and Crobjob
قسمت اول - Cluster IP Service ( مفاهیم )
قسمت دوم - Cluster IP Service ( سناریو )
Service - External
NodePort - LoadBalancer
Nginx Ingress Controller قسمت اول ( مفاهیم و نصب )
Nginx Ingress Controller قسمت دوم ( اجرا )
Readiness Probe
Headless Service
تعریف Volume - hostPath - emptyDir
Dynamic Provisioner
Config Map
Secret
Metadata
Deployment قسمت اول
Deployment قسمت دوم
StatefulSet
Kubernetes Components
API Server و Etcd
kube-proxy و بررسی مقدماتی شبکه کلاستر
Service Account
Role و Role Binding
Cluste Role و Cluster Role Binding
دسترسی به منابع شبکه و هاست
Container Security Context
fsGroup
Pod Security Policy
Network Policy
Request و Limit Resource
Limit Range
Resource Quota
Taint و Toleration
Node Affinity
Pod Affinity و Pod Anti-Affinity
CRD
Helm
NFS Storage
Monitoring و Log Aggregation
نصب Prometheus و Alertmanager در Kubernetes cluster
نصب Node Exporter و Grafana در Kubernetes cluster
نصب ELK در Kubernetes cluster قسمت اول
نصب ELK در Kubernetes cluster قسمت دوم
HPA
VPA
Kubernetes Dashboard
نصب و راه اندازی HAProxy
نصب و راه اندازی Keepalived
Kubernetes HA Cluster
Kubernetes HA با Kubespray قسمت اول
Kubernetes HA با Kubespray قسمت دوم و پیکربندی Multi External ETCD به عنوان سرویس
Backup از Cluster و Etcd
Maintenance Kubernetes
Static Pod
kubeconfig
بررسی شبکه ClusterIP در Calico
مدت
مدرک
ندارد
تاریخ به روز رسانی
1405/01/23
30,000,000تومان
هر قسط با اسنپ پی : 7,500,000 تومان
4 قسط ماهانه، بدون چک و ضامن.
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17