Udemy – The Complete Guide to AI Infrastructure: Zero to Hero 2025-9

در تاریخ: 1404/09/09 5:43:25

توضیحات

دوره The Complete Guide to AI Infrastructure: Zero to Hero. این دوره یک برنامه آموزشی کامل است که برای تسلط بر کلیه جنبه‌های زیرساخت هوش مصنوعی طراحی شده است. این دوره با آموزش مبانی لینوکس، رایانش ابری در پلتفرم‌هایی مانند AWS و Azure، و کار با GPU آغاز می‌شود و سپس به موضوعات پیشرفته‌تری شامل کانتینرسازی با داکر، اورکستراسیون با کوبرنتیز، و اتوماسیون با هلم می‌پردازد. در ادامه، مباحث ضروری مانند مدیریت داده‌ها از طریق ذخیره‌سازی شیء و دریاچه داده، ساخت پایپ‌لاین‌های داده با کافکا، و برنامه‌نویسی CUDA برای بهینه‌سازی عملکرد GPU و آموزش توزیع‌شده با ابزارهایی مانند PyTorch و TensorFlow آموزش داده می‌شود. بخش اصلی دوره بر MLOps متمرکز است که در آن پیاده‌سازی ردیابی آزمایش با MLflow، ساخت پایپ‌لاین‌های CI/CD با GitHub Actions و Jenkins، و استقرار مدل با سرورهای استنتاج مانند TorchServe و NVIDIA Triton ارائه می‌گردد. همچنین مهارت‌های نظارت و مقیاس‌دهی سرویس‌ها در محیط تولید با ابزارهایی مانند Prometheus و Grafana پوشش داده می‌شود. بخش‌های پیشرفته شامل مباحثی مانند امنیت و انطباق با استانداردهای GDPR، بهینه‌سازی هزینه با استفاده از نمونه‌های لحظه‌ای و مقیاس‌دهی خودکار، و همچنین استقرار در لبه با سخت‌افزارهایی مانند NVIDIA Jetson و کار با مدل‌های زبان بزرگ و تکنیک‌هایی نظیر RAG می‌باشد. این دوره با ترکیب مبانی تئوری و پروژه‌های عملی، فراگیران را برای طراحی و مدیریت یک زیرساخت هوش مصنوعی سازمانی و آماده تولید تجهیز می‌کند.

آنچه فرا خواهید گرفت

تسلط بر مبانی زیرساخت AI:
درک مبانی زیرساخت هوش مصنوعی شامل Linux، رایانش ابری، CPU در مقابل GPU، و چرایی اهمیت زیرساخت برای قدرت بخشیدن به سیستم‌های هوش مصنوعی مدرن.
استقرار و مدیریت در ابر:
استقرار و مدیریت نمونه‌های ابری مجهز به GPU در AWS، Google Cloud و Azure، با مقایسه هزینه، عملکرد، و گزینه‌های مقیاس‌دهی برای بارهای کاری هوش مصنوعی.
کانتینرسازی و سازماندهی:
ساخت، بسته‌بندی و استقرار برنامه‌های هوش مصنوعی با استفاده از کانتینرهای Docker، سازماندهی Kubernetes، و Helm charts برای زیرساخت کارآمد چندسرویسی.
بهینه‌سازی و آموزش توزیع‌شده GPU:
بهینه‌سازی عملکرد GPU با CUDA، NVLink، و سلسله مراتب حافظه، ضمن تسلط بر آموزش توزیع‌شده هوش مصنوعی با PyTorch، TensorFlow و Horovod.
پیاده‌سازی پایپ‌لاین‌های MLOps:
پیاده‌سازی پایپ‌لاین‌های MLOps با MLflow، ابزارهای CI/CD، و رجیستری‌های مدل، تضمین قابلیت تکثیر، نسخه‌بندی، و تحویل مستمر مدل‌های هوش مصنوعی.
ارائه و مقیاس‌دهی مدل:
ارائه و مقیاس‌دهی مدل‌ها با استفاده از FastAPI، TorchServe، و NVIDIA Triton، با توازن بار (Load Balancing) و نظارت برای سیستم‌های استنتاج هوش مصنوعی با عملکرد بالا.
نظارت، امنیت و بهینه‌سازی:
نظارت، ایمن‌سازی و بهینه‌سازی زیرساخت هوش مصنوعی با Prometheus، Grafana، IAM، شناسایی انحراف، رمزگذاری (Encryption)، و استراتژی‌های ابری صرفه‌جویی در هزینه.
پروژه عملی و نهایی:
تکمیل بیش از ۵۰ آزمایش عملی و یک پروژه نهایی برای طراحی، استقرار و ارائه یک سیستم زیرساخت هوش مصنوعی در مقیاس کامل و آماده تولید با اعتماد به نفس.

این دوره مناسب افرادیست که

مهندسان هوش مصنوعی مشتاق که می‌خواهند گام به گام از صفر به ساخت سیستم‌های هوش مصنوعی آماده تولید برسند.
دانشمندان داده و متخصصان ML که آماده‌اند فراتر از مدل‌سازی رفته و وارد استقرار، ارائه و مدیریت بارهای کاری هوش مصنوعی شوند.
مهندسان نرم‌افزار و متخصصان DevOps که به دنبال افزودن مهارت‌های زیرساخت هوش مصنوعی، MLOps، و Kubernetes به جعبه ابزار خود هستند.
مهندسان ابر و مدیران سیستم که علاقه‌مند به بهینه‌سازی خوشه‌های GPU، ذخیره‌سازی و هزینه برای بارهای کاری هوش مصنوعی هستند.
دانشجویان، محققان یا مبتدیان کنجکاو درباره Linux، ابر (Cloud)، GPU و پایپ‌لاین‌های هوش مصنوعی، بدون نیاز به تجربه قبلی.
بنیانگذاران استارتاپ و رهبران فناوری که می‌خواهند نحوه ساخت زیرساخت هوش مصنوعی مقیاس‌پذیر، امن و مقرون‌به‌صرفه برای سازمان‌های خود را درک کنند.

مشخصات دوره

ناشر: Udemy
مدرس: School of AI
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 60 ساعت و 57 دقیقه
تعداد دروس: 366

سرفصل های دوره

The Complete Guide to AI Infrastructure: Zero to Hero

پیشنیازهای دوره The Complete Guide to AI Infrastructure: Zero to Hero

No prior experience required – this course takes you from beginner to advanced, step by step.
A basic understanding of programming (Python recommended) will help but is not mandatory.
Familiarity with cloud platforms (AWS, GCP, or Azure) is helpful, but we cover the fundamentals.
Access to a computer with internet and the ability to install free tools like Docker and Python.
Optional: GPU access (local or cloud) for running deep learning workloads – we guide you through setup.
Curiosity, willingness to learn, and commitment to completing hands-on labs each week.