[فارسی]

01 مقدمه
دوره 01-01 و بررسی اجمالی آزمون مهندس یادگیری ماشین حرفه ای Google
01-02 Framing ML مشکلات: اصطلاحات کلیدی

02 ترجمه چالش های تجاری در موارد استفاده ML
02-01 ساختمان های کار با قابلیت AI
02-02 با استفاده از ابزارهای AI برای ساخت ابزارهای AI
02-03 آموزش MLOP در مقیاس با GitHub

03 تعریف مشکلات ML
03-01 شبیه سازی در مقابل ردیابی آزمایش
03-02 چه موقع از ML استفاده کنید
03-03 نظارت در مقابل ML بدون نظارت
03-04 بهینه سازی
خوشه بندی 03-05

04 تعریف معیارهای موفقیت کسب و کار
04-01 تعریف معیارهای موفقیت کسب و کار

05 شناسایی خطرات برای امکان سنجی راه حل های ML
05-01 سلسله مراتب MLOPS
05-02 هزینه های پنهان سیستم های مخرب
05-03 مسمومیت داده

نتیجه گیری 06: قاب بندی مشکلات ML
06-01 Framing ML مشکلات: مراحل بعدی

07 مقدمه: معماری یک راه حل ML
07-01 معماری یک راه حل ML: نمای کلی
07-02 معماری یک راه حل ML: اصطلاحات کلیدی
07-03 Cloud Developer Advantage فضای کاری

08 طراحی یک راه حل قابل اعتماد ، مقیاس پذیر و بسیار در دسترس ML
08-01 تحویل مداوم چیست؟
08-02 میکروسرویس ML کانتینر شده
ذهنیت 08-03 SRE برای MLOPS
08-04 گردش کار قابل تکرار
08-05 ادغام مداوم را بیاموزید

09 انتخاب اجزای سخت افزار Google Cloud مناسب
09-01 انتخاب MLOP های سنگین در مقابل نور
09-02 اجزای کلیدی چشم انداز MLOPS
09-03 فروشگاه ویژگی در مقابل انبار داده
انتخاب محاسبه 09-04

10 نتیجه گیری: معماری یک راه حل ML
10-01 معماری یک راه حل ML: مراحل بعدی

11 مقدمه: طراحی سیستم های تهیه و پردازش داده ها
11-01 طراحی سیستم های تهیه و پردازش داده ها: نمای کلی
11-02 طراحی سیستم های تهیه و پردازش داده ها: اصطلاحات کلیدی
11-03 پردازنده به GCP

12 کاوش در داده ها
12-01 Google Colab چیست؟
12-02 تجزیه و تحلیل داده های اکتشافی برای امید به زندگی
12-03 تنظیم علوم داده با VirtualEnv و PIP در ویندوز
12-04 داده های نمودار برای تجزیه و تحلیل داده های اکتشافی

13 خط لوله داده ساختمان
داده های برچسب زدن 13-01
13-02 برچسب زدن مکانیکی ترک
13-03 تمیز کردن داده ها
داده های مقیاس گذاری 13-04
13-05 خط لوله داده BigQuery با COLAB

14 ایجاد ویژگی های ورودی
14-01 مفاهیم مهندسی ویژگی
14-02 استخراج ویژگی ها از مجموعه داده های عمومی
14-03 تجزیه و تحلیل داده های اکتشافی با Google BigQuery

نتیجه گیری: طراحی سیستم های تهیه و پردازش داده ها
15-01 طراحی سیستم های تهیه و پردازش داده ها: مراحل بعدی

16 مقدمه: در حال توسعه مدل های ML
16-01 در حال توسعه مدل های ML: نمای کلی
16-02 در حال توسعه مدل های ML: اصطلاحات کلیدی

17 مدل ساختمان
17-01 با استفاده از زمین بازی tensorflow
17-02 بیش از حد در مقابل زیرنویس
17-03 انتخاب معیارهای مناسب

18 مدل آموزشی
18-01 مدل های آموزشی با Tensorflow و Docker با قابلیت GPU
18-02 ترکیبات خام تنظیم خوب با بغل کردن صورت
18-03 مزایای یادگیری انتقال

19 آموزش مدل مقیاس و خدمت
19-01 خدمات میکروسرویس را عملیاتی کنید
19-02 نظارت و ورود به سیستم با Rust در Google App Engine
19-03 ادغام مداوم با استفاده از زنگ زدگی با اقدامات GitHub
19-04 نسخه ی نمایشی: آزمایش واحد زنگ زدگی
19-05 نسخه ی نمایشی: زنگ زدگی با Github Copilot
19-06 ایستگاه کاری GCP را با پایتون راه اندازی کرد
نسخه ی نمایشی 19-07: Google Cloud Shell
نسخه ی نمایشی 19-08: ویرایشگر Google Cloud
نسخه ی نمایشی 19-09: Google CLI SDK
19-10 نسخه ی نمایشی: Google Gcloud CLI
نمایشی 19-11: استقرار زنگ زدگی موتور Google
نسخه ی نمایشی 19-12: Google App Engine Golang

20 نتیجه گیری: در حال توسعه مدل های ML
20-01 در حال توسعه مدل های ML: مراحل بعدی

21 مقدمه: خطوط لوله ML خودکار و ارکستر
21-01 اتوماسیون و ارکستر خطوط لوله ML: نمای کلی
21-02 اتوماسیون و ارکستر خطوط لوله ML: اصطلاحات کلیدی

22 طراحی و اجرای خطوط لوله آموزش
22-01 مهندسی سریع برای Google BigQuery با Chatgpt 4
22-02 شروع به کار با Vertex AI
22-03 درک TPU
22-04 TPU به عنوان یک انتقال فناوری
22-05 نسخه ی نمایشی: TPU ، Pytorch و Mnist

23 اجرای خطوط لوله
23-01 Tensorflow که با یک داکر فعال GPU سرو می شود
23-02 A Rust و Pytorch Microservice Walkthrough
23-03 نسخه ی نمایشی: میکروسرویس Pytorch Pretired Rust

24 نتیجه گیری: خطوط لوله ML خودکار و ارکستر
خطوط لوله ML 24-01 خودکار و ارکستر: مراحل بعدی

25 مقدمه: نظارت ، بهینه سازی و حفظ راه حل های ML
25-01 نظارت ، بهینه سازی و حفظ راه حل های ML: نمای کلی
25-02 نظارت ، بهینه سازی و حفظ راه حل های ML: اصطلاحات کلیدی

26 راه حل ML
26-01 Data Drift توضیح داده شده توسط مشکل کودک شیطان
تست بار 26-02 با ملخ
26-03 نسخه ی نمایشی: حسابرسی از طریق سیاههها
26-04 نسخه ی نمایشی: ورود به سیستم داشبورد
26-05 نسخه ی نمایشی: اسکنر امنیت وب ابر
26-06 نسخه ی نمایشی: پرس و جو خروجی ورود به سیستم با BigQuery
26-07 نسخه ی نمایشی: آزمایش بار با زنگ زدگی
26-08 پنج whys
26-09 با استفاده از دوره های Google
26-10 ساختن یک مترجم با زنگ زدگی و بغل کردن صورت
26-11 با استفاده از Pytorch و زنگ زدگی برای انتشار پایدار
26-12 با استفاده از زنگ زدگی با Pytorch
26-13 ساخت تست استرس GPU CUDA

27 نتیجه گیری
27-01 مراحل بعدی

[ENGLISH]

01 Introduction
01-01 Course and Google Professional Machine Learning Engineer exam overview
01-02 Framing ML problems: Key terminology

02 Translating Business Challenges into ML Use Cases
02-01 Building AI-enabled workflows
02-02 Using AI tools to build AI tools
02-03 Teaching MLOps at scale with GitHub

03 Defining ML Problems
03-01 Simulations vs. experiment tracking
03-02 When to use ML
03-03 Supervised vs. unsupervised ML
03-04 Optimization
03-05 Clustering

04 Defining Business Success Criteria
04-01 Defining business success criteria

05 Identifying Risks to Feasibility of ML Solutions
05-01 MLOps hierarchy of needs
05-02 Hidden costs of bespoke systems
05-03 Data poisoning

06 Conclusion: Framing ML Problems
06-01 Framing ML problems: Next steps

07 Introduction: Architecting a ML Solution
07-01 Architecting a ML solution: Overview
07-02 Architecting a ML solution: Key terminology
07-03 Cloud developer workspace advantage

08 Designing a Reliable, Scalable, and Highly Available ML Solution
08-01 What is continuous delivery?
08-02 Containerized ML microservices
08-03 SRE mindset for MLOps
08-04 Reproducible workflow
08-05 Learn continuous integration

09 Choosing Appropriate Google Cloud Hardware Components
09-01 Selecting heavy vs. light MLOps
09-02 Key components of MLOps landscape
09-03 Feature store vs. data warehouse
09-04 Compute choice

10 Conclusion: Architecting a ML Solution
10-01 Architecting a ML solution: Next steps

11 Introduction: Designing Data Preparation and Processing Systems
11-01 Designing data preparation and processing systems: Overview
11-02 Designing data preparation and processing systems: Key terminology
11-03 Onboard to GCP

12 Exploring Data
12-01 What is Google Colab?
12-02 Exploratory data analysis for life expectancy
12-03 Data science setup with virtualenv and pip on Windows
12-04 Graphing data for exploratory data analysis

13 Building Data Pipelines
13-01 Labeling data
13-02 Mechanical Turk labeling
13-03 Cleaning up data
13-04 Scaling data
13-05 BigQuery data pipelines with Colab

14 Creating Input Features
14-01 Feature engineering concepts
14-02 Extracting features from public datasets
14-03 Exploratory data analysis with Google BigQuery

15 Conclusion: Designing Data Preparation and Processing Systems
15-01 Designing data preparation and processing systems: Next steps

16 Introduction: Developing ML Models
16-01 Developing ML models: Overview
16-02 Developing ML models: Key terminology

17 Building Models
17-01 Using TensorFlow Playground
17-02 Overfitting vs. underfitting
17-03 Selecting the right metrics

18 Training Models
18-01 Training models with TensorFlow and a GPU-enabled Docker
18-02 Fine-tuning raw ingredients with Hugging Face
18-03 Advantages of transfer learning

19 Scaling Model Training and Serving
19-01 Operationalize microservices
19-02 Monitoring and logging with Rust on Google App Engine
19-03 Continuous integration using Rust with GitHub Actions
19-04 Demo: Unit testing Rust
19-05 Demo: GitHub copilot-enabled Rust
19-06 Set up a GCP workstation with Python
19-07 Demo: Google Cloud Shell
19-08 Demo: Google Cloud Editor
19-09 Demo: Google CLI SDK
19-10 Demo: Google gcloud CLI
19-11 Demo: Google App Engine Rust deployment
19-12 Demo: Google App Engine Golang

20 Conclusion: Developing ML Models
20-01 Developing ML models: Next steps

21 Introduction: Automating and Orchestrating ML Pipelines
21-01 Automating and orchestrating ML pipelines: Overview
21-02 Automating and orchestrating ML pipelines: Key terminology

22 Designing and Implementing Training Pipelines
22-01 Prompt engineering for Google BigQuery with ChatGPT 4
22-02 Getting started with Vertex AI
22-03 Understanding TPUs
22-04 TPUs as a technology transition
22-05 Demo: TPU, PyTorch, and MNIST

23 Implementing Serving Pipelines
23-01 TensorFlow serving with a GPU-enabled Docker
23-02 A Rust and PyTorch microservice walkthrough
23-03 Demo: Rust pretrained PyTorch microservice

24 Conclusion: Automating and Orchestrating ML Pipelines
24-01 Automating and orchestrating ML pipelines: Next steps

25 Introduction: Monitoring, Optimizing, and Maintaining ML Solutions
25-01 Monitoring, optimizing, and maintaining ML solutions: Overview
25-02 Monitoring, optimizing, and maintaining ML solutions: Key terminology

26 ML Solutions
26-01 Data drift explained by the naughty child problem
26-02 Load testing with Locust
26-03 Demo: Auditing via logs
26-04 Demo: Logging dashboard
26-05 Demo: Cloud web security scanner
26-06 Demo: Querying logging output with BigQuery
26-07 Demo: Load testing with Rust
26-08 Five whys
26-09 Using Google Courses
26-10 Building a translator with Rust and Hugging Face
26-11 Using PyTorch and Rust for stable diffusion
26-12 Using Rust with PyTorch
26-13 Building a CUDA GPU stress test

27 Conclusion
27-01 Next steps