اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار و مدیریت پروژه‌های یادگیری ماشین در محیط ابری با استفاده از فناوری کانتینر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار و مدیریت پروژه‌های یادگیری ماشین در محیط ابری با استفاده از فناوری کانتینر

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: چرخه عمر پروژه‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. داده‌ها در یادگیری ماشین
• 5. پیش‌پردازش داده‌ها
• 6. مهندسی ویژگی
• 7. انتخاب مدل
• 8. آموزش مدل
• 9. ارزیابی مدل
• 10. تنظیم فراپارامترها
• 11. مقدمه‌ای بر چرخه عمر پروژه‌های یادگیری ماشین
• 12. نقش داده‌ها در چرخه عمر ML
• 13. جمع‌آوری و آماده‌سازی داده‌ها
• 14. مدیریت داده‌ها در پروژه‌های ML
• 15. نسخه‌بندی داده‌ها
• 16. مستندسازی داده‌ها
• 17. مقدمه‌ای بر مهندسی ویژگی
• 18. تکنیک‌های مهندسی ویژگی
• 19. انتخاب ویژگی
• 20. کاهش ابعاد
• 21. مقدمه‌ای بر مدل‌سازی ML
• 22. انتخاب الگوریتم‌های یادگیری ماشین
• 23. پیاده‌سازی مدل‌های یادگیری ماشین
• 24. آموزش مدل‌های یادگیری ماشین
• 25. اعتبارسنجی مدل‌ها
• 26. تفسیرپذیری مدل‌ها
• 27. مقدمه‌ای بر استقرار مدل‌ها
• 28. استقرار مدل‌های ML
• 29. کانتینرسازی مدل‌ها
• 30. مقدمه‌ای بر کوبرنتیز
• 31. مبانی کوبرنتیز
• 32. معماری کوبرنتیز
• 33. اشیاء کوبرنتیز
• 34. استقرار برنامه‌ها در کوبرنتیز
• 35. مدیریت منابع در کوبرنتیز
• 36. شبکه‌بندی در کوبرنتیز
• 37. ذخیره‌سازی در کوبرنتیز
• 38. مانیتورینگ در کوبرنتیز
• 39. لاگ‌گیری در کوبرنتیز
• 40. امنیت در کوبرنتیز
• 41. مقدمه‌ای بر MLops
• 42. اصول MLops
• 43. ابزارهای MLops
• 44. اتوماسیون در MLops
• 45. پایپ‌لاین‌های MLops
• 46. نظارت و مدیریت مدل‌ها
• 47. نسخه‌بندی مدل‌ها
• 48. بازآموزی مدل‌ها
• 49. داده‌کاوی برای کشف دانش
• 50. تکنیک‌های خوشه‌بندی
• 51. تکنیک‌های طبقه‌بندی
• 52. تکنیک‌های رگرسیون
• 53. مدل‌های پیش‌بینی
• 54. شبکه‌های عصبی مصنوعی
• 55. یادگیری عمیق
• 56. شبکه‌های کانولوشنال
• 57. شبکه‌های بازگشتی
• 58. پردازش زبان طبیعی
• 59. مدل‌های زبانی
• 60. تولید متن
• 61. تحلیل احساسات
• 62. ترجمه ماشینی
• 63. بینایی ماشین
• 64. تشخیص اشیاء
• 65. تشخیص چهره
• 66. تقطیع تصویر
• 67. یادگیری تقویتی
• 68. محیط‌ها و عامل‌ها در یادگیری تقویتی
• 69. الگوریتم‌های یادگیری تقویتی
• 70. کاربرد یادگیری تقویتی
• 71. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 72. سوگیری در داده‌ها و مدل‌ها
• 73. شفافیت و قابلیت تفسیر
• 74. مسئولیت‌پذیری در هوش مصنوعی
• 75. امنیت و حریم خصوصی در هوش مصنوعی
• 76. قوانین و مقررات هوش مصنوعی
• 77. کاربرد هوش مصنوعی در صنعت
• 78. هوش مصنوعی در سلامت
• 79. هوش مصنوعی در مالی
• 80. هوش مصنوعی در حمل و نقل
• 81. هوش مصنوعی در آموزش
• 82. مطالعات موردی پروژه‌های یادگیری ماشین
• 83. چالش‌ها و فرصت‌های MLops
• 84. آینده هوش مصنوعی و یادگیری ماشین
• 85. مقدمه‌ای بر معماری‌های توزیع‌شده ML
• 86. پردازش داده‌های حجیم
• 87. فریم‌ورک‌های پردازش توزیع‌شده
• 88. فریم‌ورک‌های یادگیری ماشین توزیع‌شده
• 89. استقرار مدل‌های ML در مقیاس بزرگ
• 90. مدیریت چرخه عمر مدل‌های ML در محیط‌های ابری
• 91. بهینه‌سازی عملکرد مدل‌ها
• 92. مانیتورینگ و نگهداری مدل‌های در حال اجرا
• 93. بازخورد و بهبود مدل‌ها
• 94. مقدمه‌ای بر یادگیری فدرال
• 95. مبانی یادگیری فدرال
• 96. کاربردهای یادگیری فدرال
• 97. حریم خصوصی در یادگیری فدرال
• 98. مقدمه‌ای بر یادگیری انتقالی
• 99. مبانی یادگیری انتقالی
• 100. کاربردهای یادگیری انتقالی