اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی مدل‌های یادگیری ماشین در AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی مدل‌های یادگیری ماشین در AWS

موضوع کلی: مهندسی و توسعه نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی مدل‌های یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مراحل چرخه حیات مدل یادگیری ماشین
• 5. آماده‌سازی داده‌ها برای آموزش مدل
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. مهندسی ویژگی (Feature Engineering)
• 8. انتخاب ویژگی (Feature Selection)
• 9. تقسیم داده‌ها: آموزش، اعتبارسنجی، آزمون
• 10. مبانی آموزش مدل‌های یادگیری ماشین
• 11. الگوریتم‌های رگرسیون خطی
• 12. الگوریتم‌های رگرسیون لجستیک
• 13. مبانی طبقه‌بندی
• 14. الگوریتم‌های درخت تصمیم
• 15. الگوریتم‌های ماشین بردار پشتیبان (SVM)
• 16. الگوریتم‌های K-نزدیک‌ترین همسایه (KNN)
• 17. الگوریتم‌های خوشه‌بندی (Clustering)
• 18. الگوریتم K-Means
• 19. الگوریتم DBSCAN
• 20. مبانی شبکه‌های عصبی مصنوعی
• 21. معماری شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 22. تابع فعال‌سازی در شبکه‌های عصبی
• 23. تابع هزینه (Loss Function)
• 24. بهینه‌سازها (Optimizers): گرادیان کاهشی
• 25. یادگیری عمیق (Deep Learning)
• 26. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 27. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 28. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 29. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 30. آموزش مدل‌های یادگیری ماشین در AWS
• 31. معرفی Amazon SageMaker
• 32. ایجاد محیط توسعه SageMaker
• 33. استفاده از نوت‌بوک‌های SageMaker
• 34. مبانی تنظیم هایپرپارامتر (Hyperparameter Tuning)
• 35. استفاده از SageMaker برای آموزش مدل‌های سفارشی
• 36. آموزش مدل با استفاده از الگوریتم‌های داخلی SageMaker
• 37. مدیریت داده‌ها در SageMaker
• 38. ذخیره‌سازی داده‌ها با Amazon S3
• 39. استفاده از Amazon EMR برای پردازش داده‌های بزرگ
• 40. یکپارچه‌سازی SageMaker با Amazon EMR
• 41. مدیریت و ردیابی آزمایش‌های آموزش مدل
• 42. استفاده از SageMaker Experiments
• 43. ثبت معیارها و پارامترهای مدل
• 44. مقایسه نتایج آزمایش‌های مختلف
• 45. تنظیم هایپرپارامتر خودکار در SageMaker
• 46. جستجوی تصادفی (Random Search)
• 47. جستجوی شبکه‌ای (Grid Search)
• 48. بهینه‌سازی بیزی (Bayesian Optimization)
• 49. استفاده از الگوریتم‌های پیشرفته‌تر برای آموزش
• 50. آموزش مدل‌های یادگیری عمیق در SageMaker
• 51. استفاده از فریم‌ورک‌های محبوب یادگیری عمیق (TensorFlow, PyTorch)
• 52. آموزش توزیع شده (Distributed Training)
• 53. مدل‌های یادگیری تقویتی در AWS
• 54. معرفی Amazon SageMaker Reinforcement Learning
• 55. تنظیم محیط یادگیری تقویتی
• 56. آموزش عامل (Agent) یادگیری تقویتی
• 57. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 58. معیارهای ارزیابی برای رگرسیون
• 59. معیارهای ارزیابی برای طبقه‌بندی
• 60. ماتریس درهم‌ریختگی (Confusion Matrix)
• 61. دقت، صحت، بازیابی (Precision, Recall)
• 62. امتیاز F1
• 63. منحنی ROC و AUC
• 64. اعتبارسنجی متقابل (Cross-Validation)
• 65. تفسیرپذیری مدل (Model Interpretability)
• 66. استفاده از SageMaker Clarify
• 67. تحلیل اهمیت ویژگی‌ها
• 68. تحلیل انحراف (Bias) در مدل‌ها
• 69. عیب‌یابی و بهینه‌سازی مدل‌ها
• 70. تشخیص و رفع بیش‌برازش (Overfitting)
• 71. تشخیص و رفع کم‌برازش (Underfitting)
• 72. تکنیک‌های تنظیم مدل
• 73. تنظیم نرخ یادگیری
• 74. تنظیم اندازه دسته (Batch Size)
• 75. تنظیم تعداد اپوک (Epochs)
• 76. استفاده از تکنیک‌های منظم‌سازی (Regularization)
• 77. L1 و L2 Regularization
• 78. Dropout
• 79. Early Stopping
• 80. مدیریت نسخه‌های مدل
• 81. استفاده از SageMaker Model Registry
• 82. ردیابی مدل‌های آموزش دیده
• 83. ذخیره‌سازی و بازیابی مدل‌ها
• 84. سازگاری مدل‌ها با محیط عملیاتی
• 85. انتقال یادگیری (Transfer Learning)
• 86. کاربرد انتقال یادگیری در مسائل مختلف
• 87. آموزش مدل‌های تشخیص اشیاء
• 88. آموزش مدل‌های تشخیص چهره
• 89. آموزش مدل‌های پردازش زبان طبیعی (NLP)
• 90. مبانی پردازش زبان طبیعی
• 91. مدل‌های زبانی آماری
• 92. مدل‌های زبانی مبتنی بر یادگیری عمیق
• 93. استفاده از SageMaker برای NLP
• 94. آموزش مدل‌های طبقه‌بندی متن
• 95. آموزش مدل‌های تشخیص موجودیت نام‌گذاری شده (NER)
• 96. آموزش مدل‌های ترجمه ماشینی
• 97. آموزش مدل‌های خلاصه‌سازی متن
• 98. کاربرد مدل‌های یادگیری ماشین در صنعت
• 99. مطالعه موردی: پیش‌بینی فروش
• 100. مطالعه موردی: تشخیص تقلب