اپلیکیشن اندرویدی فلش‌کارت آموزشی پیاده‌سازی مدل‌های داده با رویکرد CRISP-DM در محیط AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی مدل‌های داده با رویکرد CRISP-DM در محیط AWS

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مهندسی و پیاده‌سازی مدل‌های داده

📋 سرفصل‌های دوره

• 1. فهم کسب‌وکار در علوم داده
• 2. تعریف اهداف پروژه در علوم داده
• 3. برنامه‌ریزی پروژه در علوم داده
• 4. فهم داده‌ها در علوم داده
• 5. شناسایی اولیه داده‌ها
• 6. بررسی کیفیت داده‌ها
• 7. کشف بینش‌های اولیه از داده‌ها
• 8. آماده‌سازی داده‌ها برای مدل‌سازی
• 9. انتخاب داده‌ها
• 10. پاک‌سازی داده‌ها
• 11. ساخت ویژگی‌ها
• 12. ادغام داده‌ها
• 13. قالب‌بندی داده‌ها
• 14. ارزیابی مدل
• 15. انتخاب روش ارزیابی مدل
• 16. اجرای ارزیابی مدل
• 17. بررسی نتایج ارزیابی مدل
• 18. بهبود مدل
• 19. تعیین معیارهای موفقیت مدل
• 20. پیاده‌سازی مدل
• 21. برنامه‌ریزی استقرار مدل
• 22. برنامه‌ریزی نظارت و نگهداری مدل
• 23. استقرار مدل
• 24. نظارت بر عملکرد مدل
• 25. نگهداری مدل
• 26. مقدمه‌ای بر AWS برای علوم داده
• 27. سرویس‌های AWS برای ذخیره‌سازی داده
• 28. Amazon S3 برای ذخیره‌سازی داده
• 29. Amazon RDS برای پایگاه داده رابطه‌ای
• 30. Amazon Redshift برای انبار داده
• 31. سرویس‌های AWS برای پردازش داده
• 32. Amazon EMR برای پردازش داده‌های بزرگ
• 33. AWS Glue برای استخراج، تبدیل و بارگذاری داده
• 34. Amazon Kinesis برای پردازش داده‌های جریانی
• 35. سرویس‌های AWS برای یادگیری ماشین
• 36. Amazon SageMaker برای ساخت، آموزش و استقرار مدل‌های یادگیری ماشین
• 37. Amazon Rekognition برای تحلیل تصویر و ویدئو
• 38. Amazon Comprehend برای تحلیل متن
• 39. Amazon Personalize برای توصیه‌گرها
• 40. مفاهیم پایگاه داده در AWS
• 41. پایگاه داده‌های رابطه‌ای در AWS
• 42. پایگاه داده‌های NoSQL در AWS
• 43. انبارهای داده در AWS
• 44. مقدمه‌ای بر مهندسی داده
• 45. طراحی پایگاه داده
• 46. مدیریت داده‌ها
• 47. امنیت داده‌ها
• 48. حاکمیت داده‌ها
• 49. معماری داده‌ها
• 50. مقدمه‌ای بر مهندسی یادگیری ماشین
• 51. چرخه حیات مدل یادگیری ماشین
• 52. مهندسی ویژگی
• 53. انتخاب و مهندسی ویژگی
• 54. ارزیابی مدل یادگیری ماشین
• 55. نظارت بر مدل یادگیری ماشین
• 56. استقرار مدل یادگیری ماشین
• 57. مقدمه‌ای بر معماری‌های مدل‌های یادگیری عمیق
• 58. شبکه‌های عصبی کانولوشنی (CNN)
• 59. شبکه‌های عصبی بازگشتی (RNN)
• 60. ترنسفورمرها
• 61. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 62. توکن‌سازی
• 63. ریشه‌یابی و بن‌واژه‌سازی
• 64. بردارهای کلمه
• 65. مدل‌های زبانی
• 66. مقدمه‌ای بر بینایی ماشین
• 67. پردازش تصویر
• 68. تشخیص اشیاء
• 69. تقسیم‌بندی تصویر
• 70. مقدمه‌ای بر تحلیل سری‌های زمانی
• 71. ویژگی‌های سری‌های زمانی
• 72. مدل‌های پیش‌بینی سری‌های زمانی
• 73. ارزیابی مدل‌های سری‌های زمانی
• 74. مقدمه‌ای بر یادگیری تقویتی
• 75. محیط‌ها و عامل‌ها
• 76. پاداش و تابع ارزش
• 77. الگوریتم‌های یادگیری تقویتی
• 78. کاربردها در صنعت
• 79. کاربرد در حوزه مالی و بانکی
• 80. کاربرد در حوزه سلامت
• 81. کاربرد در حوزه تولید
• 82. کاربرد در حوزه خرده‌فروشی
• 83. کاربرد در حوزه حمل‌ونقل
• 84. کاربرد در حوزه انرژی
• 85. کاربرد در حوزه آموزش
• 86. کاربرد در حوزه دولتی
• 87. کاربرد در حوزه رسانه
• 88. مدیریت پروژه در محیط AWS
• 89. اصول توسعه نرم‌افزار چابک
• 90. اصول DevOps در AWS
• 91. یکپارچه‌سازی مداوم و تحویل مداوم (CI/CD)
• 92. امنیت در چرخه عمر توسعه
• 93. نظارت و لاگ‌برداری در AWS
• 94. مدیریت هزینه‌های AWS
• 95. بهینه‌سازی عملکرد در AWS
• 96. قوانین و مقررات مربوط به داده‌ها در ایران
• 97. اصول اخلاقی در علوم داده
• 98. مسئولیت‌پذیری در هوش مصنوعی
• 99. شفافیت در مدل‌های هوش مصنوعی
• 100. عدالت و عدم تبعیض در هوش مصنوعی