اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Cloud Platform: ساخت اپلیکیشن های تشخیص الگو در داده ها

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: ساخت اپلیکیشن های تشخیص الگو در داده ها

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری ماشین و تشخیص الگو
• 2. مقدمه ای بر Google Cloud Platform (GCP)
• 3. چرا GCP برای تشخیص الگو؟
• 4. مروری بر خدمات GCP برای تشخیص الگو
• 5. مفاهیم کلیدی یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 7. مراحل اصلی در ساخت اپلیکیشن تشخیص الگو
• 8. جمع آوری داده ها
• 9. پاکسازی و پیش پردازش داده ها
• 10. مهندسی ویژگی (Feature Engineering)
• 11. انتخاب مدل
• 12. آموزش مدل
• 13. ارزیابی مدل
• 14. استقرار مدل
• 15. نظارت و نگهداری مدل
• 16. ابزارهای GCP برای جمع آوری داده ها
• 17. Cloud Storage
• 18. BigQuery
• 19. Cloud SQL
• 20. Datastore
• 21. Pub/Sub
• 22. ابزارهای GCP برای پاکسازی و پیش پردازش داده ها
• 23. Dataflow
• 24. Dataproc
• 25. Cloud Dataprep
• 26. Vertex AI Data Labeling
• 27. ابزارهای GCP برای مهندسی ویژگی
• 28. BigQuery
• 29. Dataflow
• 30. Dataproc
• 31. Vertex AI
• 32. کتابخانه های پایتون برای یادگیری ماشین
• 33. NumPy
• 34. Pandas
• 35. Scikit-learn
• 36. TensorFlow
• 37. PyTorch
• 38. معرفی Vertex AI
• 39. Vertex AI Overview
• 40. Vertex AI Pipelines
• 41. Vertex AI Training
• 42. Vertex AI Prediction
• 43. Vertex AI Model Registry
• 44. Vertex AI Feature Store
• 45. Vertex AI Experiments
• 46. Vertex AI Workbench
• 47. مقدمه ای بر BigQuery ML
• 48. مزایای BigQuery ML
• 49. کاربرد BigQuery ML در تشخیص الگو
• 50. ساخت مدل های یادگیری ماشین در BigQuery ML
• 51. آموزش مدل های طبقه بندی در BigQuery ML
• 52. آموزش مدل های رگرسیون در BigQuery ML
• 53. آموزش مدل های خوشه بندی در BigQuery ML
• 54. استفاده از BigQuery ML برای پیش بینی
• 55. معرفی Cloud AI Platform (قدیمی، اما برای درک مفاهیم مفید است)
• 56. Cloud AI Platform Training
• 57. Cloud AI Platform Prediction
• 58. Cloud AI Platform Pipelines
• 59. مقدمه ای بر TensorFlow Enterprise
• 60. مزایای TensorFlow Enterprise
• 61. استفاده از TensorFlow Enterprise در GCP
• 62. TensorFlow Extended (TFX)
• 63. مقدمه ای بر AutoML
• 64. AutoML Vision
• 65. AutoML Natural Language
• 66. AutoML Tables
• 67. AutoML Translation
• 68. AutoML Video Intelligence
• 69. کاربرد AutoML در تشخیص الگو
• 70. مزایای استفاده از AutoML
• 71. محدودیت های AutoML
• 72. استفاده از Vertex AI برای آموزش مدل های سفارشی
• 73. انتخاب محیط آموزشی در Vertex AI
• 74. تنظیم پارامترهای آموزش
• 75. مانیتورینگ فرآیند آموزش
• 76. مدیریت مدل ها در Vertex AI Model Registry
• 77. نسخه بندی مدل ها
• 78. مقایسه مدل های مختلف
• 79. استقرار مدل ها برای پیش بینی آنلاین
• 80. استقرار مدل ها برای پیش بینی دسته ای (Batch Prediction)
• 81. استفاده از Vertex AI Endpoints
• 82. استفاده از Vertex AI Batch Prediction
• 83. مدیریت دسترسی به مدل ها
• 84. امنیت در استقرار مدل ها
• 85. نظارت بر عملکرد مدل ها
• 86. تشخیص انحراف داده (Data Drift)
• 87. تشخیص انحراف مدل (Model Drift)
• 88. تنظیم مجدد مدل ها
• 89. استفاده از Vertex AI Pipelines برای اتوماسیون
• 90. طراحی پایپ لاین های یادگیری ماشین
• 91. مراحل پایپ لاین: جمع آوری داده، پیش پردازش، آموزش، ارزیابی، استقرار
• 92. استفاده از کامپوننت های آماده در Vertex AI Pipelines
• 93. ساخت کامپوننت های سفارشی
• 94. اجرای پایپ لاین ها
• 95. زمان بندی پایپ لاین ها
• 96. مانیتورینگ پایپ لاین ها
• 97. استفاده از Vertex AI Feature Store
• 98. مدیریت ویژگی ها
• 99. بازیابی ویژگی ها برای آموزش
• 100. بازیابی ویژگی ها برای پیش بینی