اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش مدل با استفاده از Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل با استفاده از Amazon SageMaker

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. اکوسیستم خدمات ابری برای یادگیری ماشین
• 6. معرفی Amazon SageMaker
• 7. مزایای استفاده از Amazon SageMaker
• 8. آشنایی با محیط SageMaker Studio
• 9. ساخت یک محیط توسعه در SageMaker
• 10. مدیریت داده‌ها در SageMaker
• 11. مراحل اساسی در چرخه حیات مدل یادگیری ماشین
• 12. جمع‌آوری و آماده‌سازی داده‌ها
• 13. پاکسازی و پیش‌پردازش داده‌ها
• 14. مهندسی ویژگی
• 15. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و تست
• 16. انتخاب الگوریتم مناسب یادگیری ماشین
• 17. معرفی الگوریتم‌های رایج در SageMaker
• 18. آموزش مدل با استفاده از الگوریتم‌های داخلی SageMaker
• 19. استفاده از الگوریتم‌های بومی (Built-in Algorithms)
• 20. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 21. بهینه‌سازی ابرپارامترها برای بهبود عملکرد مدل
• 22. ارزیابی عملکرد مدل
• 23. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 24. معیارهای ارزیابی مدل‌های رگرسیون
• 25. شناسایی و رفع بیش‌برازش (Overfitting)
• 26. شناسایی و رفع کم‌برازش (Underfitting)
• 27. استقرار (Deployment) مدل‌های آموزش دیده
• 28. ایجاد نقطه پایانی (Endpoint) برای مدل
• 29. استقرار مدل برای پیش‌بینی در زمان واقعی
• 30. استقرار مدل برای پیش‌بینی دسته‌ای (Batch Transform)
• 31. مدیریت و نظارت بر مدل‌های مستقر شده
• 32. مانیتورینگ عملکرد مدل در طول زمان
• 33. بازآموزی (Retraining) مدل با داده‌های جدید
• 34. مفاهیم پیشرفته در یادگیری ماشین
• 35. شبکه‌های عصبی و یادگیری عمیق
• 36. معماری‌های رایج شبکه‌های عصبی
• 37. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 38. کاربرد NLP در SageMaker
• 39. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 40. کاربرد بینایی ماشین در SageMaker
• 41. یادگیری تقویتی در SageMaker
• 42. آموزش عامل‌های یادگیری تقویتی
• 43. مدیریت نسخه مدل‌ها (Model Versioning)
• 44. تکنیک‌های افزایش داده (Data Augmentation)
• 45. استفاده از اسکریپت‌های آموزشی سفارشی
• 46. کانتینرهای داکر برای SageMaker
• 47. ساخت کانتینر سفارشی برای آموزش
• 48. ساخت کانتینر سفارشی برای استقرار
• 49. مفهوم Data Wrangler در SageMaker
• 50. کار با Data Wrangler برای آماده‌سازی داده
• 51. یکپارچه‌سازی Data Wrangler با SageMaker
• 52. مقدمه‌ای بر MLOps
• 53. اهمیت MLOps در چرخه حیات مدل
• 54. ابزارهای MLOps در اکوسیستم AWS
• 55. مدیریت گردش کار (Workflow Orchestration)
• 56. استفاده از SageMaker Pipelines
• 57. طراحی و اجرای پایپ‌لاین‌های یادگیری ماشین
• 58. پایپ‌لاین‌های داده و مدل
• 59. پایپ‌لاین‌های ارزیابی و استقرار
• 60. اتوماسیون در چرخه حیات یادگیری ماشین
• 61. امنیت در SageMaker
• 62. مدیریت دسترسی و مجوزها
• 63. رمزنگاری داده‌ها در SageMaker
• 64. حفظ حریم خصوصی در داده‌های آموزشی
• 65. ملاحظات اخلاقی در هوش مصنوعی
• 66. سوگیری در داده‌ها و مدل‌ها
• 67. کاهش سوگیری در الگوریتم‌ها
• 68. شفافیت و قابلیت توضیح‌پذیری مدل‌ها (Explainability)
• 69. استفاده از SageMaker Clarify
• 70. تکنیک‌های توضیح‌پذیری مدل
• 71. کاربرد SageMaker Ground Truth برای برچسب‌گذاری داده
• 72. مدیریت پروژه‌های برچسب‌گذاری داده
• 73. کیفیت داده‌ها و تاثیر آن بر مدل
• 74. انواع مدل‌های یادگیری ماشین کاربردی
• 75. مدل‌های طبقه‌بندی (Classification Models)
• 76. مدل‌های رگرسیون (Regression Models)
• 77. مدل‌های خوشه‌بندی (Clustering Models)
• 78. مدل‌های کاهش ابعاد (Dimensionality Reduction)
• 79. کاربردهای SageMaker در حوزه‌های مختلف
• 80. یادگیری ماشین برای تحلیل داده‌های مالی
• 81. یادگیری ماشین برای پیش‌بینی فروش
• 82. یادگیری ماشین برای تشخیص تقلب
• 83. یادگیری ماشین برای توصیه‌گرها
• 84. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 85. استفاده از مدل‌های از پیش آموزش دیده
• 86. تنظیم دقیق (Fine-tuning) مدل‌ها
• 87. بهینه‌سازی هزینه در SageMaker
• 88. انتخاب نمونه‌های محاسباتی مناسب
• 89. استفاده از Spot Instances
• 90. مدیریت منابع برای کاهش هزینه‌ها
• 91. معماری‌های مقیاس‌پذیر در SageMaker
• 92. کار با داده‌های حجیم (Big Data)
• 93. یکپارچه‌سازی SageMaker با سرویس‌های AWS دیگر
• 94. AWS S3 برای ذخیره‌سازی داده
• 95. AWS Glue برای ETL
• 96. AWS Lambda برای اجرای کد
• 97. AWS Step Functions برای ارکستراسیون
• 98. جمع‌بندی و آینده یادگیری ماشین
• 99. روندهای نوظهور در هوش مصنوعی
• 100. مسیر شغلی در حوزه یادگیری ماشین