آیا شما در یک نقش فنی هستید و می خواهید اصول AWS را یاد بگیرید؟ آیا آرزوی داشتن شغل یا حرفه ای به عنوان توسعه دهنده ابر، معمار یا در نقش عملیات دارید؟ اگر چنین است، AWS Cloud Technical Essentials یک راه ایده آل برای شروع است. این دوره برای کسانی طراحی شده است که در ابتدای سفر یادگیری ابری خود بودند - بدون نیاز به دانش قبلی در مورد محاسبات ابری یا محصولات و خدمات AWS! در طول دوره، دانش‌آموزان برنامه‌های کاربردی بسیار در دسترس، مقیاس‌پذیر و مقرون‌به‌صرفه را گام به گام خواهند ساخت. پس از اتمام دوره، می توانید تصمیم آگاهانه ای در مورد زمان و نحوه اعمال سرویس های اصلی AWS برای محاسبات، ذخیره سازی و پایگاه داده در موارد استفاده مختلف بگیرید. همچنین با بررسی مدل مسئولیت مشترک AWS و مقدمه ای بر AWS Identity and Access Management (IAM) با امنیت ابری آشنا خواهید شد. و، می دانید که چگونه می توان از خدمات AWS برای نظارت و بهینه سازی زیرساخت در ابر استفاده کرد. AWS Cloud Technical Essentials یک دوره آموزشی در سطح پایه است و شایستگی، اعتماد به نفس و اعتبار شما را با مهارت‌های عملی ابری که به شما کمک می‌کند نوآوری کنید و آینده حرفه‌ای خود را پیش ببرید، ایجاد می‌کند. در AWS Cloud Technical Essentials ثبت نام کنید و از امروز شروع به یادگیری اصول فنی AWS کنید! توجه: این دوره برای دانش آموزان با پیشینه فنی طراحی شده است. اگر تازه وارد فضای ابری هستید یا از یک پیشینه تجاری هستید، توصیه می کنیم قبل از ثبت نام در این دوره، AWS Cloud Practitioner Essentials (https://coursera.fastpass-panel.ir/learn/aws-cloud-practitioner-essentials) را تکمیل کنید.

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

به دوره دوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره آموزشی، طراحی سیستم های Cloud-native با بلوک های ساختمانی اساسی رایانش ابری را خواهید آموخت. این بلوک های ساختمانی شامل ماشین های مجازی و کانتینرها هستند. همچنین یاد خواهید گرفت که چگونه با استفاده از فناوری هایی مانند Flask و Kubernetes، میکروسرویس های موثر بسازید. در نهایت، شما الگوهای موفق در عملیات را تجزیه و تحلیل خواهید کرد، از جمله: هشدارهای موثر، تست بار و کایزن. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک برنامه کانتینری فلاسک می‌سازید که به طور مداوم در یک پلتفرم ابری مستقر می‌شود: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

به دوره سوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره یاد می گیرید که چگونه با استفاده از مفاهیم رایانش ابری معرفی شده در دو دوره اول این مجموعه، مهندسی داده را در پروژه های دنیای واقعی به کار ببرید. در پایان این دوره، شما قادر خواهید بود اپلیکیشن های مهندسی داده را توسعه دهید و از بهترین شیوه های توسعه نرم افزار برای ایجاد اپلیکیشن های مهندسی داده استفاده کنید. اینها شامل استقرار مستمر، ابزارهای کیفیت کد، ورود به سیستم، ابزار دقیق و نظارت است. در نهایت، از فناوری‌های بومی ابری برای مقابله با راه‌حل‌های پیچیده مهندسی داده استفاده خواهید کرد. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک خط لوله مهندسی داده بدون سرور در یک پلتفرم ابری ایجاد خواهید کرد: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).