دانلود MLOps Bootcamp: Build Real-World AI Infrastructure آموزش ام‌ال‌اوپس

249
آموزش ← ‏ برنامه نویسی و طراحی وب

دانلود MLOps Bootcamp: Build Real-World AI Infrastructure - آموزش ام‌ال‌اوپس

دانلود آموزش بوت‌کمپ ام‌ال‌اوپس: ساخت زیرساخت هوش مصنوعی در دنیای واقعی

بوت کمپ MLOps در آمازون: زیرساخت هوش مصنوعی آماده برای تولید، یک دوره پیشرفته و کاملاً کاربردی است که با هدف پر کردن فاصله میان آزمایش‌های اولیه یادگیری ماشین و استقرار پایدار و مقیاس‌پذیر در محیط‌های ابری طراحی شده است. این برنامه آموزشی که ویژه مهندسان داده، متخصصان یادگیری ماشین و حرفه‌ای‌های حوزه DevOps تدوین شده، مسیر آموزش را از تمرکز محض بر آموزش مدل‌های ایزوله منحصر به فرد منحرف کرده و روی ساخت خطوط لوله یکپارچه‌سازی مداوم، تحویل مداوم و پایش سیستم‌های هوش مصنوعی در محیط واقعی تولید تمرکز می‌کند. شرکت‌کنندگان در طول این دوره آموزشی، یک معماری کامل MLOps را با استفاده از سرویس‌های مختلف آمازون، هاگینگ فیس و سیج‌میكر طراحی و پیاده‌سازی خواهند کرد. یادگیرندگان کار خود را با بازتنظیم دقیق یک مدل بینایی ماشین از نوع ترنسفورمر آغاز کرده و آن را از طریق سرویس‌های API Gateway و لمیاد به‌صورت نقطه‌پایانی استنتاج آنی مستقر می‌کنند. در ادامه، دوره به بررسی عمیق معماری عملیاتی می‌پردازد؛ به طوری که نحوه پایش میزان اطمینان مدل با استفاده از CloudWatch، ثبت خودکار حالت‌های خاص و کم‌اطمینان در ذخیره‌ساز S3 و در نهایت فعال‌سازی خطوط لوله بازآموزی خودکار مدل به شرکت‌کنندگان آموزش داده می‌شود.
در دوره آموزشی MLOps Bootcamp: Build Real-World AI Infrastructure با نحوه ساخت، استقرار، پایش و بازآموزی خودکار خطوط لوله هوش مصنوعی در محیط ابری آمازون آشنا خواهید شد.

فهرست مطالب دوره MLOps Bootcamp: Build Real-World AI Infrastructure:

مقدمه
یادآوری مهم برای خاموش کردن سرور AWS خود
دانلود داده‌ها از HuggingFace
رفع خطاهای محدودیت نرخ (Rate Limit)
تحلیل اکتشافی داده‌ها
بارگذاری مجموعه داده در S3
تأیید مجموعه داده در S3
پیکربندی تنظیمات آموزش Vision Transformer
ایجاد تابع اصلی آموزش در اسکریپت Train
راه‌اندازی پیکربندی‌های مدل برای آموزش
ایجاد توابع کمکی و ارزیابی‌ها برای اسکریپت Train
دریافت معیارها در طول آموزش
آنچه در حال ساخت آن هستیم
ذخیره مصنوعات مدل
راه‌اندازی SageMaker Estimator
شروع کار آموزش روی سرور GPU
اشکال‌زدایی خطاهای آموزش
ارزیابی کار آموزش
ایجاد اسکریپت استنتاج – قسمت ۱
ایجاد اسکریپت استنتاج – قسمت ۲
ایجاد اسکریپت استنتاج – قسمت ۳
استقرار یک Endpoint زنده
نمایش نحوه شروع خط لوله بازآموزی
تست Endpoint و پیکربندی ضبط داده‌های ما
راه‌اندازی داشبوردهای CloudWatch برای نظارت بر خط لوله ما
خاموش کردن سرور Notebook
درک خط لوله بازآموزی
ایجاد تابع Lambda به‌روزرسانی Endpoint برای خط لوله SageMaker
پیکربندی Endpoint برای خط لوله SageMaker و راه‌اندازی تست A_B
مقایسه معیارهای مدل در خط لوله بازآموزی
تکمیل تابع Lambda استقرار مدل
دریافت معیارهای مدل کاندید
توضیح مختصر درباره ویدئوی قبلی
ورود به AWS
تابع مقایسه معیارها
ذخیره معیارهای مقایسه در دایرکتوری SageMaker
وارد کردن ماژول‌ها برای خط لوله SageMaker
ایجاد تعاریف خط لوله
راه‌اندازی مراحل پردازش در خط لوله SageMaker
افزودن مرحله مقایسه به خط لوله SageMaker
افزودن استقرار شرطی Lambda به خط لوله SageMaker
توضیح درباره مرحله شرط
تمرین سندروم ایمپاستر
درک نقش‌ها و مجوزهای IAM
درک تابع Lambda که API Gateway را به خط لوله SageMaker ما متصل می‌کند
راه‌اندازی اتصال بین API Gateway، Endpoint SageMaker و خط لوله – قسمت ۱
راه‌اندازی اتصال بین API Gateway، Endpoint SageMaker و خط لوله – قسمت ۲
توضیح درباره تابع List Pending Examples
راه‌اندازی اتصال بین API Gateway، Endpoint SageMaker و خط لوله – قسمت ۳
راه‌اندازی اتصال بین API Gateway، Endpoint SageMaker و خط لوله – قسمت ۴
راه‌اندازی اتصال بین API Gateway، Endpoint SageMaker و خط لوله – قسمت ۵
به‌روزرسانی تابع Train ما برای داشتن متد بازآموزی
راه‌اندازی API Gateway و ادغام Lambda
وارد کردن فایل تعریف خط لوله به Notebook SageMaker ما
ایجاد خط لوله SageMaker و نمایش گراف
راه‌اندازی دامنه SageMaker
راه‌اندازی Notebook استقرار برای استقرار حرفه‌ای
تست API Gateway و داشبورد CloudWatch ما
بررسی خط لوله بازآموزی – قسمت ۱
به‌روزرسانی خط لوله SageMaker با سرور GPU مناسب
به‌روزرسانی تابع Lambda با مجوزهای مناسب
راه‌اندازی و تست خط لوله بازآموزی – قسمت ۱
راه‌اندازی و تست خط لوله بازآموزی – قسمت ۲
راه‌اندازی و تست خط لوله بازآموزی – قسمت ۳
سپاس‌گزارم!
درک Notebookهای SageMaker
نصب نسخه‌های SageMaker
وارد کردن کتابخانه‌ها و ابزارها

کلمات کلیدی: Google Earth Studio: Create Stunning 3D Animations, آموزش Google Earth Studio: Create Stunning 3D Ani, zerotomastery full tutorial collection, ظثقخفخپشسفثقغ, ظثقخفخئشسفثقغ, Download MLOps Bootcamp: Build Real-World AI Infrastructure, Tutorial, E-Learning, Training Course, Education, برنامه نویسی و طراحی وب, Instruction, CBT, Teacher, Direct Download Link, DDL, New, Update, Online, Buy, Usnet, Torrent, P30Download, Danlod, Danload, Donload, nhkg,n hl,ca, پمخحس ذخخفزشپح: ذعهمی قثشم-صخقمی شه هدبقشسفقعزفعقث, ئمخحس ذخخفزشئح: ذعهمی قثشم-صخقمی شه هدبقشسفقعزفعقث, MLOps is the discipline that combines AI/Machine Learning, Data Engineering, and DevOps to reliably deploy, monitor, and maintain AI models. , دانلود آموزش های شرکت زیروتومستری, cdv,j,lsjvd, cdv,j,lsjvd, دانلود آموزش آموزش بوت‌کمپ ام‌ال‌اوپس: ساخت زیرساخت هوش مصنوعی در دنیای واقعی, اموزش آنلاین, مجازی, فیلم آموزشی, مبتنی بر کامپیوتر, یادگیری, ویدئو, دوره آموزشی, AI infrastructure, CI/CD, Docker, Kubernetes, MLOps, automation, bootcamp, cloud, data engineering, deployment, machine learning, model serving, monitoring, pipeline, scalability, training, zerotomastery, آموزش ام‌ال‌اوپس, ابر, اتوماسیون, ارائه مدل, استقرار, بوت‌کمپ, خط لوله, داکر, دوره عملی, زیرساخت هوش مصنوعی, زیروتومستری, مقیاس‌پذیری, مهندسی داده, پایش, کوبرنتیز, یادگیری ماشین, یکپارچه‌سازی مداوم, راهنمای تصویری, استاد, مدرس, معلم, تدریس خصوصی, Development & Web, رایگان, خرید, پی سی, پی 30, با لینک مستقیم, اپدیت, در دوره آموزشی MLOps Bootcamp: Build Real-World AI Infrastructure با نحوه ساخت، استقرار، پایش و بازآموزی خودکار خطوط لوله هوش مصنوعی در محیط ابری آمازون آشنا خواهید شد., ترافیک نیم بها, ای لرنینگ, فایل آموزش, از راه دور, مجانی, داونلود, دانلد, تورنت, یوزنت, تحميل, ڈاؤن لوڈ, دریافت, فعفخقهشم مثشقدهدل فقشهدهدل, hl,ca f,j‌:l\ hl‌hg‌h,\s: shoj cdvshoj i,a lwk,ud nv nkdhd ,hrud, hl,ca f,j‌:lm hl‌hg‌h,ms: shoj cdvshoj i,a lwk,ud nv nkdhd ,hrud,دانلود MLOps Bootcamp: Build Real-World AI Infrastructure - آموزش ام‌ال‌اوپس,
2026-09-28
16:38:04

دانلود MLOps Bootcamp: Build Real-World AI Infrastructure - آموزش ام‌ال‌اوپس
🎓 نام آموزش	MLOps Bootcamp: Build Real-World AI Infrastructure
📁 دسته بندی	برنامه نویسی و طراحی وب
💾 حجم فایل	1860 مگابایت
📅 تاریخ به روزرسانی	1405/7/6
📊 تعداد دانلود	244
❤️ هزینه دانلود	رایگان و نیم بها

تصاویر آموزش MLOps Bootcamp: Build Real-World AI Infrastructure

MLOps Bootcamp: Build Real-World AI Infrastructure Screenshot 1

MLOps Bootcamp: Build Real-World AI Infrastructure Screenshot 2

MLOps Bootcamp: Build Real-World AI Infrastructure Screenshot 3

MLOps Bootcamp: Build Real-World AI Infrastructure Screenshot 4

MLOps Bootcamp: Build Real-World AI Infrastructure Screenshot 5

MLOps Bootcamp: Build Real-World AI Infrastructure Download

AWS MLOps Bootcamp: Production-Ready AI Infrastructure is an advanced, practical course designed to bridge the gap between machine learning experimentation and reliable, large-scale cloud deployment. Tailored for data engineers, ML practitioners, and DevOps professionals, the curriculum shifts focus away from isolated model training toward building continuous integration, continuous delivery, and monitoring pipelines for production AI systems. Throughout the course, students construct a complete MLOps stack using AWS services, Hugging Face, and SageMaker. Learners begin by fine-tuning a Vision Transformer model and deploying it behind real-time inference endpoints via API Gateway and Lambda. The program then dives into operational architecture—teaching how to monitor model confidence using CloudWatch, automatically capture low-confidence edge cases in Amazon S3, and trigger automated retraining pipelines.

Table of Contents:

Introduction
Important Reminder to Shut Down Your AWS Server
Downloading the Data From HuggingFace
Addressing Rate Limit Errors
Exploratory Data Analysis
Uploading Dataset to S3
Verifying the Dataset in S3
Configuring Our Vision Transformer Train Setup
Creating Main Train Function in the Train Script
Setting Up Model Configurations for Training
Creating Helper Functions and Evaluations for the Train Script
Getting Metrics During Training
What We Are Building
Saving Model Artifacts
Setting Up SageMaker Estimator
Starting the Training Job on a GPU Server
Debugging Training Errors
Evaluating the Training Job
Creating the Inference Script - Part 1
Creating the Inference Script - Part 2
Creating the Inference Script - Part 3
Deploying a Live Endpoint
Demo How The Retrain Pipeline Gets Kicked Off
Testing our Endpoint and our Data Capture Configuration
Setting Up CloudWatch Dashboards for Monitoring our Pipeline
Shutting Down the Notebook Server
Understanding the Re-Training Pipeline
Creating The Endpoint Update Lambda Function for the SageMaker Pipeline
Endpoint Configuration for SageMaker Pipeline and A_B Test Setup
Comparing Model Metrics in the Re-Train Pipeline
Finishing The Lambda Deploy Model Function
Getting the Candidate Model_s Metrics
Brief Explanation on the Previous Video
Signing in to AWS
Compare Metrics Function
Saving Comparison Metrics to the SageMaker Directory
Importing Modules for the SageMaker Pipeline
Creating Pipeline Definitions
Setting Up the Processing Steps in the SageMaker Pipeline
Adding The Comparison Step to the SageMaker Pipeline
Adding the Conditional Lambda Deployment to the SageMaker Pipeline
Clarification on Condition Step
Exercise Imposter Syndrome
Understanding IAM Roles and Permissions
Understanding The Lambda Function that Connects API Gateway with our SageMaker Pipeline
Setting Up The Connection Between API Gateway, SageMaker Endpoint, and the Pipeline - Part 1
Setting Up The Connection Between API Gateway, SageMaker Endpoint, and the Pipeline - Part 2
Clarification Reagrding the List Pending Examples Function
Setting Up The Connection Between API Gateway, SageMaker Endpoint, and the Pipeline - Part 3
Setting Up The Connection Between API Gateway, SageMaker Endpoint, and the Pipeline - Part 4
Setting Up The Connection Between API Gateway, SageMaker Endpoint, and the Pipeline - Part 5
Updating Our Train Function to Have the Retrain Method
Setting Up API Gateway and the Lambda Integration
Importing Pipeline Definition File to Our SageMaker Notebook
Creating our SageMaker Pipeline and Visualizing the Graph_udemy_fixed
Setting Up SageMaker Domain
Setting Up Deployment Notebook for Professional Deployment
Testing API Gateway and Our CloudWatch Dashboard_udemy_fixed
Checking the Retraining Pipeline - Part 1
Updating the SageMaker Pipeline with the Appropriate GPU Server
Updating Lambda Function with Appropriate Permissions
Triggering and Testing the Retrain Pipeline - Part 1
Triggering and Testing the Retrain Pipeline - Part 2
Triggering and Testing the Retrain Pipeline - Part 3
Thank You!
Understanding SageMaker Notebooks
Installing Sagemaker Versions
Importing Libraries and Tools

More info ( ↓ open / close ↑ )

مشخصات آموزش MLOps Bootcamp: Build Real-World AI Infrastructure

شرکت سازنده: زیروتومستری / zerotomastery
نام انگلیسی: MLOps Bootcamp: Build Real-World AI Infrastructure
نام فارسی: آموزش بوت‌کمپ ام‌ال‌اوپس: ساخت زیرساخت هوش مصنوعی در دنیای واقعی
زبان آموزش: انگلیسی
زیرنویس: ندارد
مدرس: Patrik Szepesi
سطح آموزشی: مقدماتی, متوسطه
زمان آموزش: 8 ساعت + 58 دقیقه
حجم فایل: 1860 مگابایت
تاریخ انتشار: 16:37 - 1405/7/6 | 2026.09.28
منبع: پی سی دانلود / www.p30download.ir