اپلیکیشن اندرویدی فلش‌کارت آموزشی SQL Server Machine Learning Services

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره SQL Server Machine Learning Services

موضوع کلی: برنامه نویسی

موضوع میانی: Microsoft SQL Server

📋 سرفصل‌های دوره

• 1. آشنایی با SQL Server Machine Learning Services
• 2. مقدمه‌ای بر یادگیری ماشین در پایگاه داده
• 3. نصب و پیکربندی SQL Server Machine Learning Services
• 4. بررسی پیش‌نیازهای نصب
• 5. تنظیمات اولیه سرویس‌ها
• 6. فعال‌سازی زبان‌های برنامه‌نویسی
• 7. مفاهیم پایه یادگیری ماشین
• 8. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 9. کاربرد یادگیری ماشین در پایگاه داده
• 10. آشنایی با RevoScaleR
• 11. مفاهیم و کاربردهای RevoScaleR
• 12. توابع اصلی RevoScaleR
• 13. کار با داده‌ها در RevoScaleR
• 14. پیش‌پردازش داده‌ها
• 15. پاک‌سازی داده‌ها
• 16. تبدیل داده‌ها
• 17. انتخاب ویژگی
• 18. مدل‌سازی با RevoScaleR
• 19. مدل‌های رگرسیون خطی
• 20. مدل‌های رگرسیون لجستیک
• 21. مدل‌های درخت تصمیم
• 22. مدل‌های جنگل تصادفی
• 23. مدل‌های ماشین بردار پشتیبان
• 24. مدل‌های خوشه‌بندی
• 25. ارزیابی مدل‌ها
• 26. معیارهای ارزیابی رگرسیون
• 27. معیارهای ارزیابی طبقه‌بندی
• 28. مقدمه‌ای بر Python در SQL Server
• 29. نصب و پیکربندی محیط Python
• 30. کار با کتابخانه‌های Python
• 31. Pandas برای کار با داده‌ها
• 32. NumPy برای محاسبات عددی
• 33. Scikit-learn برای یادگیری ماشین
• 34. مدل‌سازی با Python
• 35. آماده‌سازی داده‌ها با Python
• 36. انجام رگرسیون با Python
• 37. انجام طبقه‌بندی با Python
• 38. آموزش مدل‌های یادگیری عمیق (محدود به چارچوب رسمی)
• 39. مدیریت مدل‌ها
• 40. ذخیره‌سازی و بازیابی مدل‌ها
• 41. اعتبارسنجی مدل‌ها
• 42. استقرار مدل‌ها در پایگاه داده
• 43. اجرای مدل‌ها در کوئری‌های T-SQL
• 44. ایجاد پروسیجرهای ذخیره شده برای مدل‌ها
• 45. بهینه‌سازی عملکرد مدل‌ها
• 46. نکات و ترفندهای بهینه‌سازی
• 47. استفاده از منابع سخت‌افزاری
• 48. مانیتورینگ عملکرد
• 49. امنیت در SQL Server Machine Learning Services
• 50. مدیریت دسترسی‌ها
• 51. حفاظت از داده‌های حساس
• 52. رعایت چارچوب‌های امنیتی جمهوری اسلامی ایران
• 53. کاربرد در تحلیل داده‌های کسب‌وکار
• 54. تحلیل فروش و پیش‌بینی
• 55. تحلیل رفتار مشتری
• 56. شناسایی تقلب
• 57. مدیریت ریسک
• 58. کاربرد در حوزه‌های مهندسی و تولید
• 59. پیش‌بینی خرابی تجهیزات
• 60. بهینه‌سازی فرآیندهای تولید
• 61. کاربرد در حوزه‌های مالی (مطابق مقررات)
• 62. مدل‌سازی اعتبارسنجی (مطابق مقررات)
• 63. پیش‌بینی روند بازار (با احتیاط و چارچوب رسمی)
• 64. کاربرد در حوزه‌های سلامت (مطابق پروتکل‌های وزارت بهداشت)
• 65. پیش‌بینی بیماری‌ها
• 66. تحلیل داده‌های بالینی
• 67. مطالعات موردی (Case Studies)
• 68. مطالعه موردی ۱: پیش‌بینی فروش
• 69. مطالعه موردی ۲: طبقه‌بندی مشتریان
• 70. مطالعه موردی ۳: تشخیص ناهنجاری
• 71. مطالعه موردی ۴: بهینه‌سازی منابع
• 72. مباحث پیشرفته
• 73. یادگیری تقویتی (محدود به چارچوب علمی)
• 74. پردازش زبان طبیعی (محدود به چارچوب علمی)
• 75. شبکه‌های عصبی کانولوشنال (محدود به چارچوب علمی)
• 76. شبکه‌های عصبی بازگشتی (محدود به چارچوب علمی)
• 77. مدیریت چرخه عمر مدل (MLOps)
• 78. ملاحظات اخلاقی و حقوقی در هوش مصنوعی (مطابق قوانین ایران)
• 79. تمرینات عملی و پروژه‌ها
• 80. تمرین ۱: ساخت یک مدل رگرسیون ساده
• 81. تمرین ۲: ساخت یک مدل طبقه‌بندی
• 82. تمرین ۳: استقرار مدل در پایگاه داده
• 83. پروژه نهایی: پیاده‌سازی یک راهکار یادگیری ماشین کامل
• 84. جمع‌بندی مباحث و نگاه به آینده