دوره علم داده در فضای ابری: AWS SageMaker و GCP AI Platform همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب علم داده در فضای ابری: AWS SageMaker و GCP AI Platform

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی علم داده
• 2. مقدمه ای بر علم داده
• 3. نقش علم داده در کسب و کار
• 4. چرخه حیات علم داده
• 5. ابزارها و زبان های علم داده
• 6. مقدمه ای بر پایتون برای علم داده
• 7. مبانی پایتون: متغیرها و انواع داده
• 8. مبانی پایتون: عملگرها
• 9. مبانی پایتون: ساختارهای کنترلی (if, else, elif)
• 10. مبانی پایتون: حلقه‌ها (for, while)
• 11. مبانی پایتون: توابع
• 12. مبانی پایتون: ماژول ها و بسته ها
• 13. مبانی پایتون: کار با لیست ها
• 14. مبانی پایتون: کار با تاپل ها
• 15. مبانی پایتون: کار با دیکشنری ها
• 16. مبانی پایتون: کار با مجموعه ها (sets)
• 17. مقدمه ای بر NumPy
• 18. آرایه های NumPy
• 19. عملیات پایه NumPy
• 20. ایندکس گذاری و برش در NumPy
• 21. عملیات ریاضی در NumPy
• 22. توابع آماری NumPy
• 23. مقدمه ای بر Pandas
• 24. ساختار داده DataFrame در Pandas
• 25. ساختار داده Series در Pandas
• 26. بارگذاری داده ها در Pandas (CSV, Excel)
• 27. پاکسازی داده ها در Pandas
• 28. مدیریت مقادیر گمشده در Pandas
• 29. تبدیل و مرتب سازی داده ها در Pandas
• 30. تجمیع و گروه بندی داده ها در Pandas
• 31. ادغام و ترکیب DataFrames
• 32. مقدمه ای بر تجسم داده ها
• 33. مقدمه ای بر Matplotlib
• 34. رسم نمودارهای خطی
• 35. رسم نمودارهای پراکندگی (Scatter plots)
• 36. رسم نمودارهای میله ای (Bar plots)
• 37. رسم هیستوگرام
• 38. سفارشی سازی نمودارها در Matplotlib
• 39. مقدمه ای بر Seaborn
• 40. نمودارهای آماری Seaborn
• 41. نمودارهای توزیعی Seaborn
• 42. نمودارهای رابطه ای Seaborn
• 43. نمودارهای دسته ای Seaborn
• 44. مقدمه ای بر علم داده در فضای ابری
• 45. چرا علم داده در فضای ابری؟
• 46. مزایای استفاده از ابر برای علم داده
• 47. مقدمه ای بر AWS SageMaker
• 48. مروری بر خدمات AWS
• 49. مفاهیم کلیدی SageMaker
• 50. محیط توسعه SageMaker Studio
• 51. ساخت و اجرای نوت بوک ها در SageMaker
• 52. مدیریت داده ها در SageMaker
• 53. SageMaker Ground Truth برای برچسب گذاری داده ها
• 54. SageMaker Feature Store
• 55. SageMaker Data Wrangler
• 56. مقدمه ای بر مدل سازی در SageMaker
• 57. آموزش مدل در SageMaker
• 58. استفاده از الگوریتم های داخلی SageMaker
• 59. استفاده از کانتینرهای سفارشی برای آموزش
• 60. پارامترهای آموزش و تنظیمات
• 61. ارزیابی مدل در SageMaker
• 62. استقرار مدل در SageMaker
• 63. SageMaker Endpoints برای پیش بینی آنلاین
• 64. SageMaker Batch Transform برای پیش بینی دسته ای
• 65. SageMaker Model Monitor
• 66. مقدمه ای بر GCP AI Platform
• 67. مروری بر خدمات GCP
• 68. مفاهیم کلیدی GCP AI Platform
• 69. محیط توسعه Vertex AI Workbench
• 70. ساخت و اجرای نوت بوک ها در Vertex AI Workbench
• 71. مدیریت داده ها در GCP
• 72. Vertex AI Feature Store
• 73. Vertex AI Data Labeling
• 74. مقدمه ای بر مدل سازی در GCP
• 75. آموزش مدل در GCP AI Platform
• 76. استفاده از الگوریتم های از پیش ساخته شده
• 77. استفاده از کانتینرهای سفارشی برای آموزش
• 78. پارامترهای آموزش و تنظیمات
• 79. ارزیابی مدل در GCP
• 80. استقرار مدل در GCP
• 81. Vertex AI Endpoints برای پیش بینی آنلاین
• 82. Vertex AI Batch Prediction
• 83. Vertex AI Model Monitoring
• 84. مقایسه SageMaker و GCP AI Platform
• 85. انتخاب پلتفرم مناسب
• 86. استراتژی های انتقال به ابر
• 87. امنیت در علم داده در فضای ابری
• 88. مدیریت دسترسی و هویت (IAM)
• 89. امنیت داده ها در ابر
• 90. ملاحظات حریم خصوصی در علم داده
• 91. هزینه ها و بهینه سازی هزینه در خدمات ابری
• 92. کاربردها و مطالعات موردی علم داده در ابر
• 93. علم داده برای تحلیل کسب و کار
• 94. علم داده برای یادگیری ماشین
• 95. علم داده برای پردازش زبان طبیعی (NLP)
• 96. علم داده برای بینایی ماشین (Computer Vision)
• 97. علم داده در اینترنت اشیاء (IoT)
• 98. اخلاقیات در علم داده
• 99. سوگیری در داده ها و مدل ها
• 100. مسئولیت پذیری در هوش مصنوعی