اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش مدل یادگیری ماشین با استفاده از Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل یادگیری ماشین با استفاده از Amazon SageMaker

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و آموزش مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. مراحل کلی پیاده‌سازی مدل یادگیری ماشین
• 6. آشنایی با Amazon SageMaker
• 7. مزایای استفاده از Amazon SageMaker
• 8. معماری کلی Amazon SageMaker
• 9. محیط‌های توسعه در SageMaker
• 10. نصب و پیکربندی ابزارهای SageMaker
• 11. آماده‌سازی داده‌ها برای یادگیری ماشین
• 12. پاکسازی و پیش‌پردازش داده‌ها
• 13. مهندسی ویژگی (Feature Engineering)
• 14. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و تست
• 15. اهمیت داده‌های با کیفیت
• 16. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 17. رگرسیون خطی
• 18. رگرسیون لجستیک
• 19. ماشین‌های بردار پشتیبان (SVM)
• 20. درختان تصمیم
• 21. جنگل‌های تصادفی (Random Forests)
• 22. گرادیان بوستینگ (Gradient Boosting)
• 23. خوشه‌بندی (Clustering): K-Means
• 24. تحلیل مولفه اصلی (PCA)
• 25. کاربرد الگوریتم‌ها در مسائل واقعی
• 26. انتخاب الگوریتم مناسب برای مسئله
• 27. مقدمه‌ای بر آموزش مدل
• 28. مفهوم آموزش مدل (Model Training)
• 29. نقش داده‌ها در فرآیند آموزش
• 30. پارامترها و هایپرپارامترها
• 31. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 32. روش‌های تنظیم هایپرپارامترها
• 33. جستجوی شبکه‌ای (Grid Search)
• 34. جستجوی تصادفی (Random Search)
• 35. بهینه‌سازی بیزی (Bayesian Optimization)
• 36. اهمیت ارزیابی مدل
• 37. معیارهای ارزیابی مدل‌های رگرسیون
• 38. میانگین مربعات خطا (MSE)
• 39. ریشه میانگین مربعات خطا (RMSE)
• 40. میانگین قدر مطلق خطا (MAE)
• 41. ضریب تعیین (R-squared)
• 42. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 43. دقت (Accuracy)
• 44. صحت (Precision)
• 45. بازیابی (Recall)
• 46. امتیاز F1
• 47. ماتریس درهم‌ریختگی (Confusion Matrix)
• 48. منحنی ROC و AUC
• 49. اعتبارسنجی متقابل (Cross-Validation)
• 50. مفهوم و کاربرد اعتبارسنجی متقابل
• 51. انواع اعتبارسنجی متقابل
• 52. پیاده‌سازی آموزش مدل در SageMaker
• 53. ایجاد و پیکربندی یک نوت‌بوک Jupyter در SageMaker
• 54. استفاده از SageMaker SDK
• 55. بارگذاری داده‌ها در SageMaker
• 56. انتخاب الگوریتم داخلی SageMaker
• 57. پیکربندی وظیفه آموزش (Training Job)
• 58. اجرای وظیفه آموزش
• 59. نظارت بر فرآیند آموزش
• 60. ذخیره‌سازی مدل آموزش دیده
• 61. استفاده از الگوریتم‌های سفارشی در SageMaker
• 62. آماده‌سازی کانتینرهای Docker برای آموزش
• 63. نوشتن اسکریپت آموزش سفارشی
• 64. استقرار مدل آموزش دیده
• 65. مقدمه‌ای بر استقرار مدل
• 66. انواع روش‌های استقرار مدل
• 67. استقرار مدل در SageMaker Endpoints
• 68. ایجاد و پیکربندی Endpoints
• 69. استفاده از مدل مستقر شده برای پیش‌بینی
• 70. مقیاس‌پذیری و مدیریت Endpoints
• 71. مانیتورینگ Endpoints
• 72. مقدمه‌ای بر MLOps (عملیات یادگیری ماشین)
• 73. اهمیت MLOps در چرخه عمر مدل
• 74. ابزارها و تکنیک‌های MLOps
• 75. مدیریت نسخه مدل
• 76. اتوماسیون فرآیندها
• 77. نمونه‌سازی و آزمایش A/B
• 78. ملاحظات امنیتی در SageMaker
• 79. مدیریت دسترسی و مجوزها
• 80. امنیت داده‌ها در SageMaker
• 81. پیکربندی امن شبکه
• 82. نمونه‌های عملی پیاده‌سازی مدل یادگیری ماشین
• 83. ساخت یک مدل پیش‌بینی قیمت مسکن
• 84. ساخت یک مدل تشخیص اسپم
• 85. ساخت یک مدل طبقه‌بندی تصاویر
• 86. مقدمه‌ای بر یادگیری عمیق
• 87. شبکه‌های عصبی مصنوعی (ANN)
• 88. شبکه‌های عصبی کانولوشنال (CNN)
• 89. شبکه‌های عصبی بازگشتی (RNN)
• 90. کاربرد یادگیری عمیق در مسائل پیچیده
• 91. آشنایی با فریم‌ورک‌های یادگیری عمیق
• 92. TensorFlow و Keras
• 93. PyTorch
• 94. استفاده از SageMaker برای آموزش مدل‌های یادگیری عمیق
• 95. نکات پیشرفته در آموزش مدل
• 96. مدیریت داده‌های حجیم (Big Data)
• 97. پردازش توزیع شده داده‌ها
• 98. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 99. کاربرد یادگیری تقویتی
• 100. مباحث اخلاقی در هوش مصنوعی