اپلیکیشن اندرویدی فلش‌کارت آموزشی آمادگی تخصصی برای گواهینامه مهندس یادگیری ماشین AWS (سطح associate)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمادگی تخصصی برای گواهینامه مهندس یادگیری ماشین AWS (سطح associate)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین در زیرساخت‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. اخلاق در هوش مصنوعی و یادگیری ماشین
• 6. مبانی یادگیری عمیق
• 7. شبکه‌های عصبی مصنوعی
• 8. معماری‌های کلیدی شبکه‌های عصبی
• 9. شبکه‌های عصبی کانولوشنی (CNN)
• 10. شبکه‌های عصبی بازگشتی (RNN)
• 11. شبکه‌های مولد تخاصمی (GAN)
• 12. چارچوب‌های یادگیری عمیق: TensorFlow و PyTorch
• 13. مقدمه‌ای بر خدمات ابری AWS
• 14. مفاهیم کلیدی AWS برای یادگیری ماشین
• 15. Amazon SageMaker: معرفی و قابلیت‌ها
• 16. ساخت و مدیریت مدل‌های یادگیری ماشین در SageMaker
• 17. آموزش مدل‌ها در SageMaker
• 18. ارزیابی و تنظیم مدل‌ها در SageMaker
• 19. استقرار مدل‌ها در SageMaker
• 20. مانیتورینگ و نگهداری مدل‌های مستقر شده
• 21. Amazon EC2 برای بارهای کاری یادگیری ماشین
• 22. Amazon S3 برای ذخیره‌سازی داده‌های یادگیری ماشین
• 23. Amazon EMR برای پردازش داده‌های حجیم
• 24. Amazon Redshift برای انباره داده‌های یادگیری ماشین
• 25. Amazon Athena برای تحلیل داده‌های بدون سرور
• 26. AWS Glue برای آماده‌سازی و تبدیل داده‌ها
• 27. Amazon Kinesis برای پردازش داده‌های جریانی
• 28. Amazon Lambda برای اجرای کد بدون سرور
• 29. AWS Step Functions برای هماهنگ‌سازی گردش کار
• 30. Amazon DynamoDB برای پایگاه داده NoSQL
• 31. Amazon RDS برای پایگاه داده رابطه‌ای
• 32. AWS IAM برای مدیریت دسترسی و امنیت
• 33. AWS CloudWatch برای مانیتورینگ و گزارش‌دهی
• 34. AWS CloudTrail برای ثبت رویدادها
• 35. امنیت در AWS برای پروژه‌های یادگیری ماشین
• 36. ملاحظات حاکمیتی و انطباق در AWS
• 37. مقدمه‌ای بر مهندسی یادگیری ماشین
• 38. چرخه حیات پروژه یادگیری ماشین
• 39. جمع‌آوری و آماده‌سازی داده‌ها
• 40. مهندسی ویژگی (Feature Engineering)
• 41. انتخاب و مهندسی ویژگی در SageMaker
• 42. مدل‌سازی و انتخاب الگوریتم
• 43. آموزش و اعتبارسنجی مدل
• 44. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 45. ارزیابی عملکرد مدل
• 46. متریک‌های ارزیابی مدل
• 47. تفسیرپذیری مدل (Model Interpretability)
• 48. مقدمه‌ای بر MLOps
• 49. اجرای MLOps در AWS
• 50. خودکارسازی گردش کار یادگیری ماشین
• 51. مدیریت نسخه مدل
• 52. استقرار مدل به صورت ایمن و مقیاس‌پذیر
• 53. نظارت بر عملکرد مدل در تولید
• 54. بازآموزی مدل‌ها
• 55. مدیریت داده‌ها در چرخه عمر یادگیری ماشین
• 56. استفاده از SageMaker Pipelines
• 57. استفاده از SageMaker Experiments
• 58. استفاده از SageMaker Model Registry
• 59. استفاده از SageMaker Model Monitor
• 60. استفاده از SageMaker Feature Store
• 61. استفاده از SageMaker Ground Truth برای برچسب‌گذاری داده‌ها
• 62. استفاده از SageMaker Autopilot
• 63. استفاده از SageMaker JumpStart
• 64. استفاده از SageMaker Studio
• 65. مباحث پیشرفته در یادگیری ماشین
• 66. یادگیری تقویتی پیشرفته
• 67. یادگیری عمیق برای پردازش زبان طبیعی (NLP)
• 68. یادگیری عمیق برای بینایی ماشین
• 69. سیستم‌های توصیه‌گر
• 70. یادگیری فدرال
• 71. یادگیری انتقالی (Transfer Learning)
• 72. شبکه‌های عصبی گراف (GNNs)
• 73. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 74. یادگیری با داده‌های نامتعادل
• 75. مقدمه‌ای بر معماری‌های یادگیری ماشین مقیاس‌پذیر
• 76. طراحی سیستم‌های یادگیری ماشین برای تولید
• 77. بهینه‌سازی عملکرد و هزینه در AWS
• 78. مدیریت ریسک در پروژه‌های یادگیری ماشین
• 79. مطالعات موردی در مهندسی یادگیری ماشین AWS
• 80. فرهنگ سازمانی برای یادگیری ماشین
• 81. استراتژی‌های استقرار مدل در مقیاس بزرگ
• 82. نظارت بر امنیت و حریم خصوصی داده‌ها
• 83. انطباق با مقررات مربوط به داده‌ها
• 84. اهمیت مستندسازی در پروژه‌های یادگیری ماشین
• 85. مدیریت دانش در تیم‌های یادگیری ماشین
• 86. آمادگی برای آزمون AWS Certified Machine Learning - Associate
• 87. مرور مفاهیم کلیدی AWS
• 88. مرور مفاهیم کلیدی یادگیری ماشین
• 89. مرور مباحث مهندسی یادگیری ماشین
• 90. مرور MLOps و ابزارهای AWS
• 91. نکات کلیدی برای موفقیت در آزمون
• 92. منابع تکمیلی برای یادگیری بیشتر