دوره Google Cloud Platform: استفاده از BigQuery ML برای یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Google Cloud Platform: استفاده از BigQuery ML برای یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر رایانش ابری و مزایای آن
• 2. آشنایی با Google Cloud Platform (GCP)
• 3. اکوسیستم GCP: سرویس های کلیدی
• 4. ناوبری در کنسول GCP
• 5. مدیریت پروژه ها، حساب ها و مجوزها (IAM) در GCP
• 6. مقدمه ای بر ذخیره سازی داده ها در GCP
• 7. Google Cloud Storage: مبانی و کاربردها برای داده های ML
• 8. معرفی BigQuery: انباره داده ابری مقیاس پذیر
• 9. معماری BigQuery و مزایای آن برای یادگیری ماشین
• 10. ساختار داده ای BigQuery: دیتاست ها، جداول و ویوها
• 11. انواع داده ها در BigQuery: عددی، رشته ای، تاریخ/زمان، ساخت یافته
• 12. ایجاد جداول در BigQuery: دستی، از فایل، از پرس و جو
• 13. بارگذاری داده ها در BigQuery: از Cloud Storage، استریمینگ
• 14. پرس و جو (Query) داده ها در BigQuery با SQL استاندارد
• 15. توابع SQL پرکاربرد در BigQuery برای آماده سازی داده
• 16. فیلتر کردن و مرتب سازی داده ها
• 17. تجمیع و گروه بندی داده ها (GROUP BY, Aggregate Functions)
• 18. پیوستن جداول (JOINs) در BigQuery
• 19. توابع پنجره ای (Window Functions) برای تحلیل های پیشرفته
• 20. مدیریت نماها (Views) و جداول مادی شده (Materialized Views)
• 21. بهینه سازی پرس و جوها و هزینه ها در BigQuery
• 22. امنیت داده ها در BigQuery: کنترل دسترسی و رمزنگاری
• 23. مقدمه ای بر مفهوم یادگیری ماشین (Machine Learning)
• 24. اهمیت و کاربردهای یادگیری ماشین در دنیای واقعی
• 25. تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 26. انواع یادگیری ماشین: نظارت شده (Supervised)
• 27. انواع یادگیری ماشین: بدون نظارت (Unsupervised)
• 28. انواع یادگیری ماشین: تقویتی (Reinforcement) و نیمه نظارت شده
• 29. چرخه حیات یک پروژه یادگیری ماشین
• 30. مفهوم داده های آموزشی، اعتبارسنجی و تست
• 31. ویژگی ها (Features) و برچسب ها (Labels) در یادگیری ماشین
• 32. مفهوم مدل یادگیری ماشین و آموزش آن
• 33. ارزیابی عملکرد مدل های یادگیری ماشین
• 34. معیارهای ارزیابی برای رگرسیون (MSE, RMSE, MAE)
• 35. معیارهای ارزیابی برای طبقه بندی (Accuracy, Precision, Recall, F1-Score)
• 36. مفهوم ماتریس درهم ریختگی (Confusion Matrix)
• 37. Overfitting و Underfitting: تشخیص و راه حل ها
• 38. انتخاب مدل مناسب برای مسئله
• 39. مقدمه ای بر BigQuery ML: یادگیری ماشین با SQL
• 40. مزایای BigQuery ML برای توسعه دهندگان و دانشمندان داده
• 41. فعال سازی BigQuery ML در پروژه GCP
• 42. ساختار دستور `CREATE MODEL` در BigQuery ML
• 43. انتخاب نوع مدل در BigQuery ML: `MODEL_TYPE`
• 44. آموزش مدل رگرسیون خطی در BigQuery ML
• 45. بررسی خروجی آموزش مدل رگرسیون در BigQuery ML
• 46. پیش بینی با مدل رگرسیون آموزش دیده (`ML.PREDICT`)
• 47. آموزش مدل رگرسیون لجستیک (Logistic Regression) برای طبقه بندی دودویی
• 48. آموزش مدل رگرسیون لجستیک چندکلاسه ای (Multi-class Classification)
• 49. بررسی خروجی آموزش مدل طبقه بندی در BigQuery ML
• 50. پیش بینی با مدل طبقه بندی آموزش دیده (`ML.PREDICT`)
• 51. تحلیل خروجی های `ML.PREDICT` برای طبقه بندی: احتمالات و کلاس ها
• 52. مفهوم Feature Engineering در BigQuery ML
• 53. آماده سازی و پیش پردازش داده ها برای BigQuery ML
• 54. توابع پیش پردازش داده در BigQuery ML (مثلاً `ML.IMPUTE`, `ML.STANDARD_SCALER`)
• 55. استفاده از `TRANSFORM` در `CREATE MODEL` برای پیش پردازش خودکار
• 56. مدیریت مقادیر گمشده (Missing Values) در BigQuery ML
• 57. تبدیل ویژگی های دسته بندی (Categorical Features) به عددی
• 58. تقسیم داده ها برای آموزش و ارزیابی در BigQuery ML (`ML.DATA_SPLIT`)
• 59. تنظیم پارامترها و گزینه های آموزش مدل (`OPTIONS`)
• 60. مفهوم `L1_REG` و `L2_REG` برای جلوگیری از Overfitting
• 61. نرخ یادگیری (Learning Rate) و تعداد گام ها (Max Iterations)
• 62. ارزیابی مدل های BigQuery ML با `ML.EVALUATE`
• 63. بررسی معیارهای ارزیابی رگرسیون با `ML.EVALUATE`
• 64. بررسی معیارهای ارزیابی طبقه بندی با `ML.EVALUATE` و ماتریس درهم ریختگی
• 65. استخراج ویژگی های مدل آموزش دیده با `ML.FEATURE_IMPORTANCE`
• 66. تحلیل وزن ها و بایاس مدل با `ML.WEIGHTS`
• 67. بهبود عملکرد مدل با تغییر پارامترها
• 68. مفهوم Threshold در طبقه بندی و تنظیم آن
• 69. ایجاد مدل های طبقه بندی پیشرفته تر (Boosted Tree Classifiers)
• 70. آموزش و ارزیابی مدل های Boosted Tree در BigQuery ML
• 71. مدل های بدون نظارت در BigQuery ML: K-Means Clustering
• 72. آموزش و ارزیابی مدل K-Means Clustering در BigQuery ML
• 73. تحلیل نتایج خوشه بندی و تفسیر خوشه ها
• 74. ساخت مدل های سیستم توصیه گر (Recommendation Systems) با `MATRIX_FACTORIZATION`
• 75. آموزش و ارزیابی مدل توصیه گر در BigQuery ML
• 76. تولید توصیه ها با مدل `MATRIX_FACTORIZATION`
• 77. مدل های سری زمانی (Time Series Forecasting) در BigQuery ML: ARIMA_PLUS
• 78. آماده سازی داده ها برای مدل های سری زمانی
• 79. آموزش و پیش بینی با مدل ARIMA_PLUS
• 80. ارزیابی مدل های سری زمانی
• 81. مفهوم Deep Neural Networks (DNN) در BigQuery ML
• 82. آموزش مدل های DNN برای رگرسیون و طبقه بندی
• 83. تنظیم معماری DNN (لایه ها، نورون ها، توابع فعال سازی)
• 84. استفاده از مدل های از پیش آموزش دیده (Pre-trained Models) در BigQuery ML (مفاهیم و کاربرد)
• 85. ذخیره و مدیریت مدل های BigQuery ML
• 86. استقرار مدل ها برای پیش بینی در زمان واقعی (Real-time Prediction) با Cloud Functions/APIs
• 87. استفاده از BigQuery ML با ابزارهای BI مانند Looker Studio
• 88. تجسم داده ها و نتایج مدل در Looker Studio
• 89. ترکیب BigQuery ML با Google Cloud Dataflow برای ETL مقیاس پذیر
• 90. استفاده از Vertex AI Workbench (Managed Notebooks) برای توسعه تعاملی
• 91. صادرات مدل های BigQuery ML برای استفاده در Vertex AI Endpoints
• 92. آموزش مدل های بزرگتر با Vertex AI Training و استفاده از داده های BigQuery
• 93. مفهوم MLOps و چرخه حیات BigQuery ML
• 94. نظارت بر عملکرد مدل (Model Monitoring) در BigQuery ML
• 95. مدیریت نسخه ها (Version Control) برای مدل ها و داده ها
• 96. امنیت و حاکمیت داده (Data Governance) در BigQuery ML
• 97. بهینه سازی هزینه ها در BigQuery ML برای آموزش و پیش بینی
• 98. بهترین شیوه ها (Best Practices) برای استفاده از BigQuery ML
• 99. موارد کاربردی واقعی از BigQuery ML در صنایع مختلف
• 100. آینده BigQuery ML و روندهای جدید