اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش جامع Amazon SageMaker برای توسعه‌دهندگان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع Amazon SageMaker برای توسعه‌دهندگان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردهای یادگیری ماشین در صنعت
• 5. معرفی Amazon SageMaker
• 6. معماری Amazon SageMaker
• 7. اجزای اصلی SageMaker
• 8. محیط توسعه SageMaker Studio
• 9. مدیریت داده در SageMaker
• 10. ذخیره‌سازی داده برای یادگیری ماشین
• 11. Amazon S3 برای داده‌های آموزشی
• 12. Amazon FSx for Lustre
• 13. Amazon EFS
• 14. آماده‌سازی و پاکسازی داده
• 15. تحلیل اکتشافی داده (EDA)
• 16. مهندسی ویژگی
• 17. انتخاب ویژگی
• 18. تبدیل داده‌ها
• 19. مدل‌سازی در SageMaker
• 20. انتخاب الگوریتم مناسب
• 21. آموزش مدل‌های یادگیری ماشین
• 22. هایپرپارامترها و تنظیم آن‌ها
• 23. بهینه‌سازی هایپرپارامترها با SageMaker
• 24. توسعه مدل‌های یادگیری عمیق
• 25. شبکه‌های عصبی کانولوشنی (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. استفاده از فریم‌ورک‌های یادگیری عمیق
• 28. TensorFlow در SageMaker
• 29. PyTorch در SageMaker
• 30. مدیریت چرخه عمر مدل
• 31. نسخه‌بندی مدل‌ها
• 32. بازبینی و اعتبارسنجی مدل
• 33. استقرار مدل در SageMaker
• 34. انواع استقرار مدل
• 35. استقرار مدل برای پیش‌بینی بلادرنگ
• 36. استقرار مدل برای پردازش دسته‌ای
• 37. بهینه‌سازی عملکرد مدل مستقر شده
• 38. نظارت بر مدل‌های مستقر شده
• 39. تشخیص انحراف داده (Data Drift)
• 40. تشخیص انحراف مدل (Model Drift)
• 41. بازآموزی مدل‌ها
• 42. اتوماسیون خطوط لوله ML (ML Pipelines)
• 43. ساخت خطوط لوله ML با SageMaker Pipelines
• 44. مدیریت خطوط لوله
• 45. اجرای خطوط لوله
• 46. نظارت بر خطوط لوله
• 47. امنیت در Amazon SageMaker
• 48. مدیریت دسترسی و مجوزها
• 49. رمزنگاری داده‌ها
• 50. امنیت شبکه
• 51. حفاظت از مدل‌ها
• 52. کاربردهای پیشرفته در SageMaker
• 53. یادگیری تقویتی با SageMaker
• 54. یادگیری فدرال با SageMaker
• 55. پردازش زبان طبیعی (NLP) با SageMaker
• 56. بینایی ماشین با SageMaker
• 57. سیستم‌های توصیه‌گر با SageMaker
• 58. تجزیه و تحلیل سری‌های زمانی با SageMaker
• 59. مدل‌سازی پیش‌بینانه
• 60. مدیریت هزینه در SageMaker
• 61. بهینه‌سازی منابع محاسباتی
• 62. استفاده از نمونه‌های Spot
• 63. مدیریت داده‌های حجیم
• 64. بهبود کارایی خطوط لوله
• 65. نکات و ترفندهای SageMaker
• 66. بهترین شیوه‌ها برای توسعه ML
• 67. اشکال‌زدایی و رفع خطا در SageMaker
• 68. تست مدل‌ها
• 69. مستندسازی پروژه‌های ML
• 70. همکاری تیمی در SageMaker
• 71. مقدمه‌ای بر مفاهیم اقتصاد داده
• 72. مدیریت داده در سازمان
• 73. تحلیل داده‌های کسب‌وکار
• 74. بصری‌سازی داده‌ها
• 75. استفاده از داده برای تصمیم‌گیری استراتژیک
• 76. اصول حاکمیت داده
• 77. استانداردهای کیفیت داده
• 78. مدیریت ریسک در پروژه‌های ML
• 79. اخلاق در هوش مصنوعی
• 80. مسئولیت‌پذیری در ML
• 81. شفافیت در مدل‌ها
• 82. حریم خصوصی داده‌ها
• 83. مطابقت با مقررات داده
• 84. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 85. چالش‌های یادگیری ماشین در مقیاس بزرگ
• 86. روش‌های آموزش توزیع‌شده
• 87. پیاده‌سازی آموزش توزیع‌شده در SageMaker
• 88. کاربرد یادگیری ماشین در امور مالی اسلامی
• 89. بانکداری بدون ربا و یادگیری ماشین
• 90. مدیریت ریسک اعتباری با ML
• 91. شناسایی تقلب با ML
• 92. پیش‌بینی بازار با ML
• 93. احکام شرعی مرتبط با معاملات مالی
• 94. مقدمه‌ای بر اخلاق حرفه‌ای توسعه‌دهندگان
• 95. مسئولیت‌های اخلاقی در قبال جامعه
• 96. تأثیر فناوری بر جامعه
• 97. نگرش اسلامی به علم و فناوری
• 98. توسعه پایدار و نقش ML
• 99. کاربرد ML در بهینه‌سازی مصرف انرژی
• 100. کاربرد ML در کشاورزی هوشمند