AWS: دوره تحلیل و تجسم داده چهارمین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره تجزیه و تحلیل داده و تجسم را با کاوش در خدمات AWS مانند Athena، Kinesis، QuickSight، Redshift و Kibana آموزش می دهد. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدیویی تقریباً 4:00 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، فراگیران 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: AWS: تجزیه و تحلیل داده ها و تجسم بخش 1 ماژول 2: AWS: تجزیه و تحلیل داده ها و تجسم بخش 2 ماژول 3: AWS: تجزیه و تحلیل و تجسم داده ها قسمت 3

دوره آموزشی AWS: Data Collection Systems اولین دوره از تخصص تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره آموزشی برای تشریح جزئیات سیستم های جمع آوری داده ها و ویژگی های آنها طراحی شده است. این دوره اساساً به سه ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 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: سیستم های جمع آوری داده ها و جریان های داده در AWS ماژول 2: خدمات یکپارچه سازی داده ها در AWS ماژول 3: فشرده سازی و تبدیل داده ها در AWS به عنوان مثال. این در درجه اول برای دانش آموزان سال اول و دوم کارشناسی علاقه مند به مهندسی یا علوم، همراه با دانش آموزان دبیرستانی و متخصصان با علاقه به برنامه نویسی است.

دوره آموزشی AWS: Security in Data Analytics چهارمین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره مفاهیم امنیت در تجزیه و تحلیل داده ها را با ارجاع به AWS به فراگیران آموزش می دهد. زبان آموزان قادر خواهند بود مکانیزم های احراز هویت و مجوز مناسب را تجزیه و تحلیل کنند، تکنیک های حفاظت و رمزگذاری داده ها و کنترل های حاکمیت و انطباق داده ها را در این دوره به کار ببرند. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدیویی تقریباً 3:00 ساعته که هم تئوری و هم دانش عملی 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: AWS: مکانیسم‌های احراز هویت و مجوز ماژول 2: AWS: VPCها و تکنیک‌های حفاظت و رمزگذاری داده‌ها ماژول 3: AWS: کنترل‌های حاکمیت و انطباق داده‌ها

دوره آموزشی AWS: Storage Systems and Data Management دومین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره به یادگیرندگان کمک می کند تا دانش اجزای ذخیره سازی با خدمات ذخیره سازی عملیاتی را داشته باشند. مفهوم پیاده سازی DynamoDB Operational Characteristics و Redshift نیز در این دوره توضیح داده شده است. فراگیران قادر خواهند بود رویکردهای مختلفی را برای مدیریت داده ها تجزیه و تحلیل کنند. این دوره اساساً به سه ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 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: ویژگی های عملیاتی راه حل های ذخیره سازی برای تجزیه و تحلیل داده ها در AWS ماژول 2: AWS: اجزای ذخیره سازی و رویکردهای مدیریت داده ماژول 3: ویژگی های پیشرفته: سیستم های ذخیره سازی و مدیریت داده ها در AWS

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 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: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 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: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

دوره AWS: Data Processing Course دومین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره بر ارائه راه حل های پردازش داده تمرکز دارد. کل دوره برای آموزش مفهوم EMR و Extract، Transform و Load به فراگیران طراحی شده است. این دوره همچنین بر خدمات ETL و راه حل های پردازش داده در AWS تأکید دارد. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 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: استخراج، تبدیل و بارگذاری مشاغل ماژول 2: مقدمه: EMR ماژول 3: خدمات ETL و راه حل پردازش داده در AWS توصیه می شود که افراد باید تجربه کار با خدمات AWS برای طراحی، ساخت، ایمن سازی و نگهداری را داشته باشند. راه حل های تحلیلی برای درک این دوره در پایان این دوره، فراگیران قادر خواهند بود: -مفاهیم مدلسازی را تجزیه و تحلیل کنند و مدل های یادگیری ماشینی را آموزش دهند - عملکرد مدل های یادگیری ماشینی را بررسی کنند - با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنند.

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

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

در توسعه برنامه‌های بومی ابری مدرن، اغلب هدف ایجاد معماری‌های بدون سرور است که مقیاس‌پذیر، بسیار در دسترس و مدیریت کامل هستند. این به معنای سربار عملیاتی کمتر برای شما و کسب و کار شما و تمرکز بیشتر بر برنامه ها و پروژه های خاص تجاری است که شما را در بازارتان متمایز می کند. در این دوره آموزشی، نحوه ساخت یک بک‌اند مدرن و بدون سرور سبز فیلد در AWS را پوشش خواهیم داد. ساختن اپلیکیشن‌های کاملاً جدید در AWS کار متفاوتی نسبت به جابجایی و انتقال برنامه‌های کاربردی موجود به AWS است. هنگامی که یک برنامه موجود دارید که باید به AWS منتقل کنید، ممکن است ابتدا به دنبال استفاده از Amazon EC2 به عنوان ماشین های مجازی خود باشید، یا شاید ممکن است به دنبال استفاده از کانتینرهای docker و خدمات میزبانی کانتینر مانند Amazon Elastic Container Service یا Amazon Elastic Kubernetes باشید. . همه اینها گزینه های میزبانی برنامه عالی هستند، اما در بیشتر موارد، هنوز هم از شما نیاز دارند که نوعی پالس در زیرساخت زیربنایی میزبان برنامه خود داشته باشید. ساخت اپلیکیشن‌های جاوا مدرن در AWS چگونگی ساخت یک برنامه مبتنی بر API را با استفاده از Amazon API Gateway برای میزبانی API بدون سرور، AWS Lambda برای محاسبات بدون سرور و Amazon Cognito برای احراز هویت بدون سرور بررسی می‌کند. ما یک فرآیند توسعه مبتنی بر API را دنبال می کنیم و ابتدا شبیه سازی API را به تصویر می کشیم. ما تمام نکات و نکات مربوط به سرویس Amazon API Gateway را پوشش خواهیم داد، و همانطور که یاد خواهید گرفت - این سرویس بسیار بیشتر از میزبانی یک API است. سپس با استفاده از Amazon Cognito احراز هویت را به API اضافه می کنیم. در مورد نحوه عملکرد جریان مجوز با Cognito و نحوه ایجاد آن در API های خود خواهید آموخت. از آنجا، یک باطن Lambda اضافه می کنیم که توسط API Gateway راه اندازی می شود. توابع لامبدا از AWS SDK برای انجام وظایف مختلف پردازش داده استفاده خواهند کرد. با پیکربندی‌های مختلفی که برای Lambda وجود دارد آشنا می‌شوید، و ما به شما نشان می‌دهیم که چگونه توابع لامبدا را ایجاد و مدیریت کنید. برخی از ویژگی‌های API ما به چندین توابع لامبدا نیاز دارند تا به ترتیب خاصی اجرا شوند، مانند یک گردش کار، و ما از توابع مرحله AWS برای ایجاد یک گردش کار بدون سرور استفاده می‌کنیم. در نهایت، ما در مورد نحوه بهینه سازی API های خود در هر لایه با استفاده از ویژگی های AWS صحبت خواهیم کرد. توجه: چهار نسخه از این کلاس وجود دارد، "Building Modern Node.js Applications on AWS" برای توسعه دهندگان Node.js، "Building Modern Python Applications on AWS" برای توسعه دهندگان Python، "Building Modern.NET Applications on AWS" for .NET. توسعه دهندگان، و این دوره، "ساخت برنامه های جاوا مدرن در AWS" برای توسعه دهندگان جاوا. دوره‌ها تا حد زیادی با هم همپوشانی دارند و به طور کلی، توصیه می‌کنیم دوره‌ای را بگذرانید که بر روی SDK که قصد دارید برای توسعه برنامه‌های مبتنی بر AWS Cloud خود استفاده کنید، تمرکز دارد. ما انتظار داریم که شما قبلاً دانش اولیه AWS را داشته باشید. چند نمونه از مفاهیمی که باید با آنها آشنا باشید عبارتند از: شما باید اصول زیرساخت جهانی AWS را بدانید، مانند مناطق و مناطق در دسترس بودن. شما همچنین باید در سطح بالا مدیریت هویت و دسترسی AWS یا IAM و نحوه استفاده از آن برای کنترل دسترسی به منابع AWS را بدانید. همچنین باید بدانید که یک نمونه EC2 آمازون چیست، آمازون S3 چیست، VPC چیست، و همچنین سایر اصطلاحات اولیه AWS.

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.

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