دوره طراحی و اجرای خطوط لوله یادگیری ماشین مقیاس‌پذیر در محیط ابری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و اجرای خطوط لوله یادگیری ماشین مقیاس‌پذیر در محیط ابری

موضوع کلی: مهندسی نرم‌افزار و سیستم‌های توزیع‌شده

موضوع میانی: معماری و پیاده‌سازی سیستم‌های مقیاس‌پذیر در رایانش ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و خطوط لوله آن
• 2. مبانی سیستم‌های توزیع‌شده
• 3. مقدمه‌ای بر رایانش ابری
• 4. معماری‌های رایج سیستم‌های ابری
• 5. مفاهیم کلیدی مقیاس‌پذیری
• 6. طراحی خطوط لوله یادگیری ماشین
• 7. مراحل آماده‌سازی داده در خطوط لوله
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. مهندسی ویژگی مقیاس‌پذیر
• 10. انتخاب و مهندسی ویژگی
• 11. مدل‌سازی در مقیاس بزرگ
• 12. انتخاب الگوریتم‌های یادگیری ماشین
• 13. آموزش مدل‌های توزیع‌شده
• 14. بهینه‌سازی هایپرپارامترها
• 15. ارزیابی مدل در مقیاس
• 16. عیب‌یابی و دیباگینگ مدل‌ها
• 17. مقدمه‌ای بر پلتفرم‌های ابری
• 18. خدمات محاسباتی ابری
• 19. خدمات ذخیره‌سازی ابری
• 20. خدمات شبکه ابری
• 21. مدیریت منابع در ابر
• 22. ابزارهای ارکستراسیون کانتینر
• 23. مقدمه‌ای بر Docker
• 24. مقدمه‌ای بر Kubernetes
• 25. استقرار برنامه‌ها با Kubernetes
• 26. مدیریت خطوط لوله با ابزارهای ارکستراسیون
• 27. ساخت ایمیج‌های Docker برای مدل‌ها
• 28. استقرار مدل‌های یادگیری ماشین در Kubernetes
• 29. مدیریت چرخه عمر مدل
• 30. مانیتورینگ و لاگینگ در سیستم‌های ابری
• 31. جمع‌آوری متریک‌های عملکرد
• 32. پیاده‌سازی سیستم‌های هشدار
• 33. مدیریت خطا و تحمل‌پذیری خطا
• 34. طراحی برای دسترس‌پذیری بالا
• 35. بالانس کردن بار (Load Balancing)
• 36. موازنه بار در سیستم‌های توزیع‌شده
• 37. استراتژی‌های مقیاس‌پذیری افقی و عمودی
• 38. طراحی پایگاه داده برای سیستم‌های مقیاس‌پذیر
• 39. پایگاه داده‌های رابطه‌ای در ابر
• 40. پایگاه داده‌های NoSQL در ابر
• 41. انتخاب پایگاه داده مناسب
• 42. ذخیره‌سازی داده‌های موقت و کشینگ
• 43. مقدمه‌ای بر داده‌کاوی
• 44. تکنیک‌های استخراج اطلاعات
• 45. تجزیه و تحلیل داده‌های بزرگ
• 46. پردازش دسته‌ای (Batch Processing)
• 47. پردازش جریانی (Stream Processing)
• 48. پلتفرم‌های پردازش داده توزیع‌شده
• 49. مقدمه‌ای بر Apache Spark
• 50. Spark SQL برای تحلیل داده
• 51. Spark Streaming برای پردازش جریانی
• 52. استفاده از Spark در خطوط لوله ML
• 53. امنیت در سیستم‌های ابری
• 54. مدیریت هویت و دسترسی
• 55. رمزنگاری داده‌ها در حالت استراحت و در حال انتقال
• 56. اصول حاکمیت داده
• 57. مقررات مربوط به حریم خصوصی داده‌ها
• 58. رعایت قوانین و مقررات داخلی
• 59. مقدمه‌ای بر DevOps
• 60. اصول CI/CD
• 61. اتوماسیون تست در خطوط لوله
• 62. استقرار مداوم (Continuous Deployment)
• 63. نظارت بر زیرساخت و برنامه‌ها
• 64. مدیریت پیکربندی
• 65. ابزارهای مدیریت پیکربندی
• 66. اتوماسیون استقرار زیرساخت
• 67. زیرساخت به عنوان کد (IaC)
• 68. مقدمه‌ای بر معماری میکروسرویس
• 69. مزایا و معایب میکروسرویس‌ها
• 70. ارتباط بین میکروسرویس‌ها
• 71. الگوهای طراحی میکروسرویس
• 72. مدیریت سرویس در معماری میکروسرویس
• 73. ارتباط ناهمگام
• 74. صف‌های پیام (Message Queues)
• 75. استفاده از صف پیام در خطوط لوله
• 76. پردازش وظایف پس‌زمینه
• 77. مقدمه‌ای بر معماری رویداد محور
• 78. طراحی سیستم‌های واکنش‌گرا
• 79. مدیریت وضعیت در سیستم‌های توزیع‌شده
• 80. قفل‌گذاری و هماهنگ‌سازی توزیع‌شده
• 81. الگوهای توزیع‌شده برای هماهنگ‌سازی
• 82. تست سیستم‌های مقیاس‌پذیر
• 83. تست بار و استرس
• 84. شبیه‌سازی خرابی (Chaos Engineering)
• 85. مقدمه‌ای بر داده‌های تله‌متری
• 86. جمع‌آوری و پردازش داده‌های تله‌متری
• 87. تجسم داده‌های تله‌متری
• 88. استفاده از داده‌های تله‌متری برای بهبود عملکرد
• 89. بهینه‌سازی هزینه در رایانش ابری
• 90. مدیریت مصرف منابع
• 91. انتخاب مدل‌های قیمتی مناسب
• 92. کاهش هزینه‌های غیرضروری
• 93. اصول مهندسی نرم‌افزار در سیستم‌های مقیاس‌پذیر
• 94. طراحی ماژولار و قابل نگهداری
• 95. مستندسازی فنی
• 96. بازنگری کد و بهبود مستمر
• 97. مقیاس‌پذیری و پایایی در سیستم‌های عملیاتی
• 98. نکات پیشرفته در طراحی خطوط لوله ML
• 99. فدراسیون یادگیری (Federated Learning)
• 100. یادگیری تقویتی توزیع‌شده