اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت خط لوله تکرارپذیر برای آزمایش‌های یادگیری ماشین با استفاده از Jupyter Notebook

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت خط لوله تکرارپذیر برای آزمایش‌های یادگیری ماشین با استفاده از Jupyter Notebook

موضوع کلی: مهندسی نرم‌افزار و علوم داده

موضوع میانی: مدیریت و بهینه‌سازی پروژه‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مهندسی نرم افزار در یادگیری ماشین
• 2. اصول ساختاردهی پروژه های یادگیری ماشین
• 3. مبانی Jupyter Notebook برای آزمایش ها
• 4. مدیریت وابستگی ها با استفاده از Conda
• 5. ایجاد محیط های مجازی ایزوله
• 6. مستندسازی کد با Docstrings
• 7. اهمیت قابلیت تکرارپذیری در علم داده
• 8. تعریف خط لوله (Pipeline) در یادگیری ماشین
• 9. مراحل اصلی یک خط لوله یادگیری ماشین
• 10. جمع آوری و پیش پردازش داده ها
• 11. پاکسازی داده های پرت و مقادیر گم شده
• 12. مهندسی ویژگی ها (Feature Engineering)
• 13. انتخاب ویژگی های مرتبط
• 14. آموزش مدل های یادگیری ماشین
• 15. ارزیابی عملکرد مدل ها
• 16. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 17. ذخیره سازی مدل های آموزش دیده
• 18. مدیریت نسخه داده ها (Data Versioning)
• 19. ابزارهای مدیریت نسخه داده ها
• 20. استفاده از DVC برای مدیریت داده
• 21. اصول مدیریت نسخه کد
• 22. استفاده از Git برای کنترل نسخه
• 23. ساختاردهی مخازن Git
• 24. تعریف مراحل خط لوله با DVC
• 25. اجرای خط لوله با DVC
• 26. ردیابی آزمایش ها (Experiment Tracking)
• 27. ابزارهای ردیابی آزمایش ها
• 28. استفاده از MLflow برای ردیابی
• 29. ثبت پارامترها و معیارها در MLflow
• 30. مقایسه نتایج آزمایش های مختلف
• 31. مدیریت مصنوعات (Artifacts) در MLflow
• 32. استقرار مدل ها (Model Deployment)
• 33. مقدمه ای بر استقرار مدل
• 34. روش های مختلف استقرار مدل
• 35. ساخت API برای مدل ها
• 36. استفاده از Flask برای ساخت API
• 37. اصول Docker برای بسته بندی برنامه ها
• 38. ایجاد Dockerfile برای برنامه یادگیری ماشین
• 39. اجرای برنامه در کانتینر Docker
• 40. مقدمه ای بر CI/CD در یادگیری ماشین
• 41. اصول Continuous Integration
• 42. اصول Continuous Delivery
• 43. ساخت خطوط لوله CI/CD با GitHub Actions
• 44. تعریف گردش کار CI/CD
• 45. اجرای خودکار آزمایش ها پس از تغییر کد
• 46. استقرار خودکار مدل پس از تایید
• 47. ملاحظات امنیتی در خط لوله های ML
• 48. حفاظت از داده های حساس
• 49. مدیریت دسترسی ها
• 50. اصول مهندسی نرم افزار برای تیم های علم داده
• 51. همکاری موثر در پروژه های ML
• 52. مدیریت دانش در تیم ها
• 53. روش های تست در یادگیری ماشین
• 54. تست واحد (Unit Testing)
• 55. تست یکپارچگی (Integration Testing)
• 56. تست پایانی (End-to-End Testing)
• 57. اصول کدنویسی تمیز (Clean Code)
• 58. استفاده از Linter ها و Formatter ها
• 59. اصول طراحی شی گرا در پایتون
• 60. کلاس ها و اشیاء در پایتون
• 61. وراثت و چندریختی
• 62. پیمان نامه ها (Protocols) و واسط ها (Interfaces)
• 63. اصول برنامه نویسی تابعی (Functional Programming)
• 64. توابع درجه اول و توابع مرتبه بالاتر
• 65. تکنیک های برنامه نویسی تابعی
• 66. مدیریت خطا و استثناها در پایتون
• 67. بلوک های Try-Except-Finally
• 68. ایجاد استثناهای سفارشی
• 69. اصول طراحی API های RESTful
• 70. متدها و کدهای وضعیت HTTP
• 71. طراحی منابع (Resources)
• 72. مقدمه ای بر معماری میکروسرویس
• 73. مزایا و معایب میکروسرویس ها
• 74. مقایسه با معماری یکپارچه (Monolithic)
• 75. مدیریت حالت در برنامه های توزیع شده
• 76. اصول پردازش موازی و همزمان
• 77. کتابخانه multiprocessing در پایتون
• 78. کتابخانه threading در پایتون
• 79. مقدمه ای بر مدیریت پیکربندی (Configuration Management)
• 80. ذخیره سازی تنظیمات در فایل ها
• 81. استفاده از متغیرهای محیطی
• 82. اصول لاگینگ (Logging) در برنامه ها
• 83. سطوح مختلف لاگینگ
• 84. فرمت دهی لاگ ها
• 85. ملاحظات مربوط به مقیاس پذیری (Scalability)
• 86. طراحی برای رشد
• 87. تکنیک های مقیاس پذیری افقی و عمودی
• 88. اصول امنیت داده ها در پلتفرم های ابری
• 89. رمزنگاری داده ها در حال سکون و در حال انتقال
• 90. مدیریت کلیدهای رمزنگاری
• 91. مقدمه ای بر ارکستراسیون (Orchestration)
• 92. ابزارهای ارکستراسیون مانند Airflow
• 93. طراحی گردش کارهای پیچیده
• 94. اصول مانیتورینگ (Monitoring) سیستم ها
• 95. شاخص های کلیدی عملکرد (KPIs)
• 96. ابزارهای مانیتورینگ مانند Prometheus
• 97. مقدمه ای بر A/B Testing
• 98. طراحی و اجرای آزمایش های A/B
• 99. تحلیل نتایج آزمایش های A/B
• 100. اصول مدیریت دانش در مهندسی نرم افزار