اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی عملی AutoML: گام به گام برای ساخت مدل‌های خودکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی عملی AutoML: گام به گام برای ساخت مدل‌های خودکار

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری خودکار (AutoML)

📋 سرفصل‌های دوره

• 1. مقدمه به AutoML
• 2. اتوماسیون در یادگیری ماشین
• 3. مزایای AutoML
• 4. چالش‌های AutoML
• 5. انواع AutoML
• 6. AutoML مبتنی بر جستجوی هایپرپارامتر
• 7. AutoML مبتنی بر معماری شبکه عصبی
• 8. AutoML مبتنی بر انتخاب ویژگی
• 9. AutoML مبتنی بر مهندسی ویژگی
• 10. AutoML در عمل: مراحل اصلی
• 11. جمع‌آوری و آماده‌سازی داده‌ها
• 12. شناخت داده‌ها
• 13. پاکسازی داده‌ها
• 14. مهندسی ویژگی
• 15. انتخاب ویژگی
• 16. پیش‌پردازش داده‌ها
• 17. استانداردسازی داده‌ها
• 18. نرمال‌سازی داده‌ها
• 19. رمزگذاری متغیرهای دسته‌ای
• 20. مدل‌سازی با AutoML
• 21. انتخاب الگوریتم
• 22. جستجوی هایپرپارامتر
• 23. بهینه‌سازی هایپرپارامتر
• 24. جستجوی تصادفی
• 25. جستجوی شبکه‌ای
• 26. بهینه‌سازی بیزی
• 27. الگوریتم‌های تکاملی
• 28. جستجوی معماری عصبی (NAS)
• 29. انواع NAS
• 30. جستجوی مبتنی بر گرادیان
• 31. جستجوی مبتنی بر تقویت یادگیری
• 32. جستجوی مبتنی بر ارزیابی تصادفی
• 33. ارزیابی مدل
• 34. معیارهای ارزیابی
• 35. بازخوانی
• 36. امتیاز F1
• 37. منحنی ROC و AUC
• 38. ارزیابی متقابل
• 39. نکات کلیدی در ارزیابی
• 40. استقرار مدل AutoML
• 41. انتخاب پلتفرم استقرار
• 42. محیط‌های ابری
• 43. On-Premise
• 44. ابزارهای AutoML
• 45. Google Cloud AutoML
• 46. Amazon SageMaker Autopilot
• 47. Microsoft Azure Machine Learning
• 48. H2O.ai
• 49. Auto-sklearn
• 50. TPOT
• 51. AutoKeras
• 52. استفاده از Google Cloud AutoML
• 53. آغاز کار با Google Cloud
• 54. انتخاب مجموعه داده
• 55. آموزش مدل
• 56. ارزیابی مدل در Google Cloud
• 57. استقرار مدل در Google Cloud
• 58. استفاده از Amazon SageMaker Autopilot
• 59. آغاز کار با SageMaker
• 60. ایجاد آزمایش Autopilot
• 61. نظارت بر آموزش
• 62. ارزیابی نتایج
• 63. استقرار مدل
• 64. استفاده از Microsoft Azure Machine Learning
• 65. ایجاد فضای کاری
• 66. آموزش مدل با Designer
• 67. آموزش مدل با SDK
• 68. ارزیابی و استقرار
• 69. ملاحظات اخلاقی در AutoML
• 70. سوگیری در داده‌ها
• 71. شفافیت مدل
• 72. تفسیرپذیری مدل
• 73. مسئولیت‌پذیری
• 74. آینده AutoML
• 75. روندهای نوظهور
• 76. AutoML خودکارتر
• 77. AutoML برای وظایف پیچیده‌تر
• 78. AutoML سبک‌تر و کارآمدتر
• 79. AutoML توضیحی
• 80. کاربردها و صنایع
• 81. تشخیص پزشکی
• 82. بازاریابی و فروش
• 83. خدمات مالی
• 84. تولید
• 85. خودرو
• 86. نکات پیشرفته در AutoML
• 87. تنظیم دستی هایپرپارامترهای کلیدی
• 88. ترکیب با مدل‌های سفارشی
• 89. مدیریت داده‌های سری زمانی
• 90. مدیریت داده‌های متنی
• 91. مدیریت داده‌های تصویری
• 92. استراتژی‌های کاهش پیچیدگی
• 93. فهم محدودیت‌های AutoML
• 94. کاربرد AutoML در پروژه‌های واقعی
• 95. مثال: پیش‌بینی ریزش مشتری
• 96. مثال: تشخیص تقلب
• 97. مثال: طبقه‌بندی تصاویر
• 98. مثال: پردازش زبان طبیعی
• 99. کارگاه عملی: ساخت مدل پیش‌بینی
• 100. کارگاه عملی: بهبود مدل موجود