اپلیکیشن اندرویدی فلش‌کارت آموزشی Machine Learning Pipelines with Spark

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Machine Learning Pipelines with Spark

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 2. آشنایی با Apache Spark
• 3. معماری Spark و اجزای اصلی
• 4. Spark Core: RDDها و عملیات پایه
• 5. Spark SQL: DataFrames و ساختارهای داده
• 6. Spark Streaming: پردازش داده‌های جریانی
• 7. MLeap: خطوط لوله یادگیری ماشین قابل اشتراک‌گذاری
• 8. Spark MLlib: کتابخانه یادگیری ماشین Spark
• 9. مراحل پیش‌پردازش داده در خطوط لوله
• 10. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 11. مهندسی ویژگی: انتخاب و ساخت ویژگی‌ها
• 12. مقیاس‌بندی ویژگی‌ها: استانداردسازی و نرمال‌سازی
• 13. کدگذاری متغیرهای دسته‌ای
• 14. مدیریت داده‌های متنی برای یادگیری ماشین
• 15. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 16. یادگیری نظارت شده و بدون نظارت
• 17. رگرسیون خطی در Spark MLlib
• 18. رگرسیون لجستیک در Spark MLlib
• 19. درختان تصمیم برای طبقه‌بندی
• 20. جنگل‌های تصادفی برای طبقه‌بندی
• 21. ماشین‌های بردار پشتیبان (SVM)
• 22. مدل‌های خوشه‌بندی: K-Means
• 23. تحلیل مؤلفه‌های اصلی (PCA)
• 24. مقدمه‌ای بر یادگیری عمیق
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. طراحی خطوط لوله یادگیری ماشین
• 28. مراحل تعریف خط لوله
• 29. اعتبارسنجی متقابل برای ارزیابی مدل
• 30. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 31. جستجوی شبکه‌ای (Grid Search)
• 32. جستجوی تصادفی (Random Search)
• 33. بهینه‌سازی بایسی (Bayesian Optimization)
• 34. روش‌های ارزیابی مدل‌های طبقه‌بندی
• 35. دقت، صحت، بازیابی و امتیاز F1
• 36. ماتریس درهم‌ریختگی (Confusion Matrix)
• 37. منحنی ROC و مساحت زیر منحنی (AUC)
• 38. روش‌های ارزیابی مدل‌های رگرسیون
• 39. خطای میانگین مربعات (MSE)
• 40. ریشه خطای میانگین مربعات (RMSE)
• 41. خطای میانگین قدر مطلق (MAE)
• 42. ضریب تعیین (R-squared)
• 43. استقرار خطوط لوله یادگیری ماشین
• 44. ذخیره و بارگذاری مدل‌های Spark MLlib
• 45. ساخت APIهای RESTful برای مدل‌ها
• 46. استقرار بر روی پلتفرم‌های ابری
• 47. نظارت بر عملکرد مدل در تولید
• 48. بازآموزی مدل‌ها و به‌روزرسانی خط لوله
• 49. مدیریت نسخه خطوط لوله و مدل‌ها
• 50. خطوط لوله پیچیده یادگیری ماشین
• 51. ترکیب مدل‌ها (Ensembling)
• 52. یادگیری انتقالی (Transfer Learning)
• 53. پردازش زبان طبیعی (NLP) با Spark
• 54. استخراج ویژگی از متن
• 55. مدل‌سازی موضوعی (Topic Modeling)
• 56. تحلیل احساسات (Sentiment Analysis)
• 57. شناسایی موجودیت نام‌گذاری شده (NER)
• 58. یادگیری ماشین برای داده‌های سری زمانی
• 59. پیش‌بینی سری‌های زمانی با Spark
• 60. مدل‌های ARIMA در Spark
• 61. یادگیری ماشین برای داده‌های گراف
• 62. پردازش داده‌های گراف با GraphX
• 63. الگوریتم‌های گراف در Spark
• 64. یادگیری ماشین برای داده‌های تصویری
• 65. پردازش تصویر با Spark
• 66. استفاده از CNNها در Spark
• 67. یادگیری ماشین برای داده‌های صوتی
• 68. پردازش صدا با Spark
• 69. استفاده از مدل‌های یادگیری عمیق برای صدا
• 70. ملاحظات امنیتی در خطوط لوله یادگیری ماشین
• 71. حفظ حریم خصوصی داده‌ها
• 72. امنیت مدل‌ها در برابر حملات
• 73. مدیریت دسترسی و مجوزها
• 74. رعایت الزامات قانونی و شرعی در پردازش داده
• 75. چارچوب‌های قانونی داده در ایران
• 76. مقررات مربوط به داده‌های شخصی
• 77. اصول اخلاقی در علم داده
• 78. مدیریت ریسک در پیاده‌سازی خطوط لوله
• 79. برنامه‌ریزی برای شکست و بازیابی
• 80. طراحی مقاوم در برابر خطا
• 81. مستندسازی خطوط لوله یادگیری ماشین
• 82. استانداردهای مستندسازی
• 83. نکات کلیدی برای مستندسازی مؤثر
• 84. آینده خطوط لوله یادگیری ماشین
• 85. اتوماسیون کامل خط لوله (AutoML)
• 86. یادگیری ماشین قابل توضیح (XAI)
• 87. یادگیری تقویتی (Reinforcement Learning)
• 88. کاربرد خطوط لوله یادگیری ماشین در صنایع مختلف
• 89. مالی و بانکی
• 90. بهداشت و درمان
• 91. تجارت الکترونیک
• 92. تولید و صنعت
• 93. برنامه‌ریزی و اجرای پروژه خط لوله یادگیری ماشین
• 94. تعریف اهداف و محدوده پروژه
• 95. انتخاب ابزارها و فناوری‌ها
• 96. تیم‌سازی و نقش‌ها
• 97. مدیریت زمان و منابع
• 98. ارزیابی و درس‌آموخته‌ها
• 99. جمع‌بندی و گام‌های بعدی