اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی آمازون سیج‌میکر (Amazon SageMaker) برای ساخت مدل‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی آمازون سیج‌میکر (Amazon SageMaker) برای ساخت مدل‌های یادگیری ماشین

موضوع کلی: فناوری اطلاعات و علوم کامپیوتر

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. معرفی آمازون سیج‌میکر (Amazon SageMaker)
• 6. چرا از سیج‌میکر استفاده کنیم؟
• 7. مراحل ساخت مدل یادگیری ماشین با سیج‌میکر
• 8. جمع‌آوری و آماده‌سازی داده‌ها
• 9. مفهوم ویژگی‌ها (Features) و برچسب‌ها (Labels)
• 10. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 11. مهندسی ویژگی (Feature Engineering)
• 12. تکنیک‌های افزایش داده (Data Augmentation)
• 13. مفهوم مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 14. تقسیم داده‌ها
• 15. آموزش مدل‌های یادگیری ماشین
• 16. معرفی الگوریتم‌های یادگیری ماشین
• 17. رگرسیون خطی (Linear Regression)
• 18. رگرسیون لجستیک (Logistic Regression)
• 19. ماشین‌های بردار پشتیبان (SVM)
• 20. درختان تصمیم (Decision Trees)
• 21. جنگل‌های تصادفی (Random Forests)
• 22. گرادیان بوستینگ (Gradient Boosting)
• 23. شبکه‌های عصبی (Neural Networks)
• 24. شبکه‌های عصبی کانولوشنال (CNN)
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. یادگیری عمیق (Deep Learning)
• 27. معرفی ابزارهای سیج‌میکر برای آموزش مدل
• 28. انتخاب الگوریتم مناسب
• 29. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 30. استفاده از الگوریتم‌های داخلی سیج‌میکر
• 31. آموزش مدل با استفاده از کانتینرهای پیش‌ساخته
• 32. آموزش مدل با استفاده از کانتینرهای سفارشی
• 33. مدیریت محیط‌های آموزشی
• 34. استفاده از پردازنده‌های گرافیکی (GPU)
• 35. مانیتورینگ و لاگ‌برداری فرآیند آموزش
• 36. ارزیابی مدل‌های یادگیری ماشین
• 37. معیارهای ارزیابی برای رگرسیون
• 38. خطای میانگین مربعات (MSE)
• 39. ریشه خطای میانگین مربعات (RMSE)
• 40. خطای میانگین قدر مطلق (MAE)
• 41. ضریب تعیین (R-squared)
• 42. معیارهای ارزیابی برای طبقه‌بندی
• 43. دقت (Accuracy)
• 44. صحت (Precision)
• 45. بازیابی (Recall)
• 46. امتیاز F1
• 47. ماتریس درهم‌ریختگی (Confusion Matrix)
• 48. منحنی ROC و AUC
• 49. انتخاب بهترین مدل
• 50. بهینه‌سازی مدل‌ها
• 51. تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 52. تنظیم‌گری (Regularization)
• 53. کاهش ابعاد (Dimensionality Reduction)
• 54. انتقال یادگیری (Transfer Learning)
• 55. مفهوم مدل‌های از پیش آموزش‌دیده
• 56. استفاده از مدل‌های از پیش آموزش‌دیده در سیج‌میکر
• 57. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 58. پیاده‌سازی مدل‌های یادگیری ماشین
• 59. مفهوم استنتاج (Inference)
• 60. استنتاج در زمان واقعی (Real-time Inference)
• 61. استنتاج دسته‌ای (Batch Inference)
• 62. استقرار مدل‌ها در سیج‌میکر
• 63. ایجاد نقطه پایانی (Endpoint) برای استقرار
• 64. مدیریت نقاط پایانی
• 65. مقیاس‌پذیری استقرار
• 66. مانیتورینگ عملکرد مدل مستقر شده
• 67. مدیریت هزینه‌ها در سیج‌میکر
• 68. استفاده بهینه از منابع محاسباتی
• 69. مدیریت ذخیره‌سازی داده‌ها
• 70. بهینه‌سازی فرآیندهای استقرار
• 71. امنیت در سیج‌میکر
• 72. مدیریت دسترسی و مجوزها (IAM)
• 73. رمزنگاری داده‌ها
• 74. امنیت شبکه
• 75. ملاحظات اخلاقی در هوش مصنوعی
• 76. سوگیری در داده‌ها و مدل‌ها
• 77. عدالت و شفافیت در هوش مصنوعی
• 78. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 79. کاربردهای پیشرفته در سیج‌میکر
• 80. پردازش زبان طبیعی (NLP)
• 81. بینایی ماشین (Computer Vision)
• 82. سیستم‌های توصیه‌گر (Recommender Systems)
• 83. خودکارسازی فرآیندها با هوش مصنوعی
• 84. معرفی ابزارهای دیگر AWS برای یادگیری ماشین
• 85. Amazon Comprehend
• 86. Amazon Rekognition
• 87. Amazon Translate
• 88. Amazon Textract
• 89. Amazon Personalize
• 90. Amazon Forecast
• 91. مبانی توسعه نرم‌افزار در اکوسیستم AWS
• 92. ساخت برنامه‌های کاربردی با استفاده از سیج‌میکر
• 93. یکپارچه‌سازی سیج‌میکر با سایر خدمات AWS
• 94. مثال‌های عملی از ساخت مدل با سیج‌میکر
• 95. ساخت مدل پیش‌بینی فروش
• 96. ساخت مدل تشخیص تصویر
• 97. ساخت مدل تحلیل احساسات متن
• 98. جمع‌بندی و گام‌های بعدی در یادگیری ماشین