اپلیکیشن اندرویدی فلش‌کارت آموزشی آشنایی با خدمات آمازون SageMaker برای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با خدمات آمازون SageMaker برای یادگیری ماشین

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: مبانی هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی فناوری اطلاعات و محاسبات ابری
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم کلیدی در یادگیری ماشین
• 5. جبر خطی برای یادگیری ماشین
• 6. حساب دیفرانسیل و انتگرال برای یادگیری ماشین
• 7. آمار و احتمالات در یادگیری ماشین
• 8. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 9. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 10. تکنیک‌های کاهش ابعاد
• 11. دسته‌بندی و رگرسیون
• 12. مدل‌های خطی و رگرسیون خطی
• 13. رگرسیون لجستیک
• 14. ماشین‌های بردار پشتیبان (SVM)
• 15. درختان تصمیم
• 16. جنگل‌های تصادفی
• 17. گرادیان بوستینگ (Gradient Boosting)
• 18. خوشه‌بندی
• 19. K-Means Clustering
• 20. DBSCAN
• 21. مدل‌های مبتنی بر چگالی
• 22. معرفی Amazon SageMaker
• 23. قابلیت‌های اصلی SageMaker
• 24. مزایای استفاده از SageMaker
• 25. معماری SageMaker
• 26. ساختار کلی پروژه‌های SageMaker
• 27. محیط‌های توسعه SageMaker
• 28. SageMaker Studio
• 29. SageMaker Notebook Instances
• 30. نصب و پیکربندی SageMaker
• 31. آماده‌سازی داده‌ها برای SageMaker
• 32. ذخیره‌سازی داده‌ها در S3
• 33. استفاده از SageMaker Data Wrangler
• 34. ایجاد مجموعه داده (Dataset) در SageMaker
• 35. آموزش مدل‌ها در SageMaker
• 36. انتخاب الگوریتم مناسب
• 37. استفاده از الگوریتم‌های داخلی SageMaker
• 38. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 39. مدیریت شغل‌های آموزش (Training Jobs)
• 40. استقرار مدل‌ها در SageMaker
• 41. ایجاد Endpoint برای استقرار بلادرنگ (Real-time)
• 42. ایجاد Endpoint برای پردازش دسته‌ای (Batch Transform)
• 43. نظارت بر عملکرد مدل مستقر شده
• 44. SageMaker Model Monitor
• 45. SageMaker Clarify
• 46. ارزیابی مدل و معیارهای عملکرد
• 47. دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)
• 48. امتیاز F1 (F1-Score)
• 49. خطای میانگین مربعات (MSE)
• 50. خطای مطلق میانگین (MAE)
• 51. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 52. مبانی پرسپترون تک لایه
• 53. شبکه‌های عصبی چند لایه (MLP)
• 54. توابع فعال‌سازی (Activation Functions)
• 55. پس‌انتشار (Backpropagation)
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. کاربرد CNN در بینایی ماشین
• 58. شبکه‌های عصبی بازگشتی (RNN)
• 59. کاربرد RNN در پردازش زبان طبیعی
• 60. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 61. شبکه‌های حافظه کوتاه مدت (GRU)
• 62. یادگیری عمیق در SageMaker
• 63. استفاده از فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 64. آموزش مدل‌های یادگیری عمیق با SageMaker
• 65. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 66. پیش‌پردازش متن
• 67. مدل‌سازی موضوعی (Topic Modeling)
• 68. تحلیل احساسات (Sentiment Analysis)
• 69. ترجمه ماشینی (Machine Translation)
• 70. تولید متن
• 71. کاربرد SageMaker در NLP
• 72. معرفی مدل‌های زبانی بزرگ (LLMs)
• 73. کاربرد LLMs در SageMaker
• 74. ملاحظات امنیتی در SageMaker
• 75. مدیریت دسترسی و مجوزها (IAM)
• 76. رمزنگاری داده‌ها
• 77. رعایت قوانین حفاظت از داده‌ها
• 78. کاربرد SageMaker در صنعت
• 79. مثال‌هایی از کاربرد در خرده‌فروشی
• 80. مثال‌هایی از کاربرد در بهداشت و درمان
• 81. مثال‌هایی از کاربرد در امور مالی
• 82. مثال‌هایی از کاربرد در تولید
• 83. بهینه‌سازی هزینه‌ها در SageMaker
• 84. مدیریت منابع و نمونه‌ها
• 85. استفاده از Spot Instances برای آموزش
• 86. مقدمه‌ای بر یادگیری تقویتی
• 87. مفاهیم اساسی یادگیری تقویتی
• 88. کاربرد SageMaker در یادگیری تقویتی
• 89. نکات و بهترین شیوه‌ها در SageMaker
• 90. برنامه‌ریزی و اجرای پروژه‌های یادگیری ماشین
• 91. مستندسازی پروژه‌ها
• 92. توسعه پایدار مدل‌ها
• 93. آینده یادگیری ماشین و SageMaker
• 94. نگاهی به روندهای جدید
• 95. نقش هوش مصنوعی در تحول دیجیتال