کتاب راهنمای جامع پیاده‌سازی هوش مصنوعی و یادگیری ماشین در زیرساخت‌های ابری گوگل (Google Cloud) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع پیاده‌سازی هوش مصنوعی و یادگیری ماشین در زیرساخت‌های ابری گوگل (Google Cloud)

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین در بستر رایانش ابری

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی رایانش ابری و معماری زیرساخت گوگل کلاود
• 2. آشنایی با سرویس‌های هوش مصنوعی و یادگیری ماشین در گوگل کلاود
• 3. مدیریت هویت و دسترسی در پروژه‌های ابری مبتنی بر استانداردهای امنیتی
• 4. مبانی ذخیره‌سازی داده‌های حجیم در Google Cloud Storage
• 5. کار با پایگاه‌های داده مدیریت‌شده برای پروژه‌های یادگیری ماشین
• 6. آشنایی با محیط توسعه Vertex AI و قابلیت‌های آن
• 7. آماده‌سازی و پیش‌پردازش داده‌ها با استفاده از BigQuery
• 8. تحلیل اکتشافی داده‌ها و مصورسازی در بستر ابری
• 9. معرفی یادگیری نظارت‌ شده و الگوریتم‌های رگرسیون در محیط ابری
• 10. پیاده‌سازی مدل‌های طبقه‌بندی با استفاده از TensorFlow در Vertex AI
• 11. بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از ابزارهای ابری
• 12. استفاده از سرویس‌های پیش‌آموزش‌دیده Vision AI برای پردازش تصویر
• 13. کاربرد سرویس‌های پردازش زبان طبیعی در پروژه‌های فارسی
• 14. پیاده‌سازی سیستم‌های توصیه‌گر با استفاده از Recommendations AI
• 15. آموزش مدل‌های یادگیری ماشین با استفاده از AutoML
• 16. مدیریت و نسخه‌بندی مدل‌های یادگیری ماشین با Model Registry
• 17. استقرار مدل‌های یادگیری ماشین در محیط عملیاتی با Vertex AI Endpoints
• 18. مانیتورینگ و ارزیابی عملکرد مدل‌ها در محیط ابری
• 19. مدیریت هزینه‌های پردازش ابری در پروژه‌های هوش مصنوعی
• 20. استفاده از خط لوله‌های یادگیری ماشین یا Kubeflow Pipelines
• 21. خودکارسازی فرآیندهای یادگیری ماشین با MLOps
• 22. امنیت و حریم خصوصی در پروژه‌های یادگیری ماشین ابری
• 23. طراحی معماری سیستم‌های توزیع‌شده هوش مصنوعی
• 24. پیاده‌سازی یادگیری تقویتی در محیط‌های شبیه‌سازی ابری
• 25. آشنایی با سرویس‌های تحلیل جریان داده با استفاده از Dataflow
• 26. یکپارچه‌سازی مدل‌های هوش مصنوعی با اپلیکیشن‌های تحت وب
• 27. بهره‌گیری از پردازنده‌های گرافیکی و TPU در آموزش مدل‌های سنگین
• 28. مقیاس‌پذیری خودکار زیرساخت‌های محاسباتی برای بارهای کاری هوش مصنوعی
• 29. بهینه‌سازی مصرف منابع در مدل‌های مستقر شده
• 30. تجزیه و تحلیل داده‌های زمانی با استفاده از ابزارهای ابری
• 31. پیاده‌سازی پروژه‌های هوش مصنوعی با رعایت استانداردهای اخلاقی و قانونی
• 32. استفاده از BigQuery ML برای اجرای مدل‌ها درون پایگاه داده
• 33. مدیریت چرخه‌حیات داده‌ها در پروژه‌های هوش مصنوعی
• 34. مستندسازی و گزارش‌دهی نتایج مدل‌های یادگیری ماشین
• 35. تکنیک‌های افزایش دقت مدل با استفاده از مهندسی ویژگی‌های ابری
• 36. استفاده از سرویس‌های تبدیل گفتار به متن و بالعکس در گوگل کلاود
• 37. پیاده‌سازی راهکارهای تحلیل داده‌های حجیم برای کسب‌وکارهای بومی
• 38. آشنایی با مفاهیم یادگیری ماشین فدرال و کاربردهای آن
• 39. پروژه نهایی: طراحی و پیاده‌سازی یک سامانه هوشمند ابری پایان‌به‌پایان