دوره ساخت و استقرار مدل‌های یادگیری ماشین با Spark همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین با Spark

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و Spark
• 2. مفاهیم اساسی Spark برای یادگیری ماشین
• 3. معماری Spark و اجزای کلیدی آن
• 4. نصب و پیکربندی محیط Spark
• 5. آشنایی با Spark SQL برای کار با داده‌ها
• 6. استفاده از Spark DataFrame
• 7. عملیات بر روی Spark DataFrame
• 8. ذخیره‌سازی و بارگذاری داده‌ها در Spark
• 9. مقدمه‌ای بر یادگیری ماشین در Spark (MLlib)
• 10. انواع الگوریتم‌های یادگیری ماشین
• 11. پیش‌پردازش داده‌ها در Spark
• 12. پاکسازی و پیش‌پردازش داده‌های متنی
• 13. مهندسی ویژگی (Feature Engineering)
• 14. انتخاب ویژگی (Feature Selection)
• 15. روش‌های کاهش ابعاد (Dimensionality Reduction)
• 16. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی (Classification)
• 17. رگرسیون لجستیک با Spark
• 18. ماشین بردار پشتیبان (SVM) با Spark
• 19. درخت تصمیم (Decision Trees) با Spark
• 20. جنگل تصادفی (Random Forests) با Spark
• 21. مدل‌های افزایش گرادیان (Gradient Boosting) با Spark
• 22. ارزیابی مدل‌های طبقه‌بندی
• 23. منحنی ROC و AUC
• 24. مقدمه‌ای بر الگوریتم‌های رگرسیون (Regression)
• 25. رگرسیون خطی با Spark
• 26. رگرسیون چندجمله‌ای با Spark
• 27. مدل‌های پیش‌بینی سری‌های زمانی با Spark
• 28. ارزیابی مدل‌های رگرسیون
• 29. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی (Clustering)
• 30. خوشه‌بندی K-Means با Spark
• 31. خوشه‌بندی سلسله مراتبی با Spark
• 32. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 33. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 34. فیلترینگ مشارکتی (Collaborative Filtering)
• 35. الگوریتم‌های توصیه‌گر در Spark
• 36. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 37. آشنایی با Spark ML Pipeline
• 38. ساخت و آموزش Pipeline ML
• 39. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 40. جستجوی شبکه‌ای (Grid Search)
• 41. جستجوی تصادفی (Random Search)
• 42. اعتبارسنجی متقابل (Cross-Validation)
• 43. استقرار مدل‌های یادگیری ماشین
• 44. ذخیره و بارگذاری مدل‌های Spark ML
• 45. استقرار مدل‌ها برای پیش‌بینی بلادرنگ
• 46. پایش و به‌روزرسانی مدل‌ها
• 47. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با Spark
• 48. پیش‌پردازش متن در Spark NLP
• 49. مدل‌سازی موضوعی (Topic Modeling) با Spark
• 50. تحلیل احساسات (Sentiment Analysis) با Spark
• 51. استخراج اطلاعات (Information Extraction) با Spark
• 52. شبکه‌های عصبی کانولوشنال (CNN) برای NLP
• 53. شبکه‌های عصبی بازگشتی (RNN) برای NLP
• 54. مقدمه‌ای بر پردازش تصویر با Spark
• 55. استفاده از Spark برای پردازش تصویر
• 56. یادگیری عمیق برای بینایی ماشین
• 57. شبکه‌های عصبی کانولوشنال (CNN) برای بینایی ماشین
• 58. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 59. مفاهیم اساسی یادگیری تقویتی
• 60. کاربرد یادگیری تقویتی در Spark
• 61. مقدمه‌ای بر داده‌های بزرگ (Big Data) و Spark
• 62. اصول و معماری Spark
• 63. کار با RDD ها در Spark
• 64. انتقال داده‌ها (Data Serialization) در Spark
• 65. بهینه‌سازی عملکرد Spark
• 66. مدیریت حافظه در Spark
• 67. تنظیمات پیشرفته Spark
• 68. کار با Spark Streaming
• 69. پردازش داده‌های جریانی
• 70. تحلیل داده‌های بلادرنگ
• 71. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 72. تکنیک‌های اکتشاف داده‌ها
• 73. تحلیل داده‌های حجیم
• 74. مقدمه‌ای بر هوش مصنوعی (AI)
• 75. کاربرد هوش مصنوعی در کسب و کار
• 76. اخلاق در هوش مصنوعی و یادگیری ماشین
• 77. امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 78. حریم خصوصی در داده‌های حجیم
• 79. مبانی پردازش توزیع‌شده
• 80. پلتفرم‌های پردازش توزیع‌شده
• 81. مقایسه Spark با سایر پلتفرم‌ها
• 82. مقدمه‌ای بر الگوریتم‌های یادگیری ناظر (Supervised Learning)
• 83. مقدمه‌ای بر یادگیری بدون ناظر (Unsupervised Learning)
• 84. مقدمه‌ای بر یادگیری نیمه‌ناظر (Semi-Supervised Learning)
• 85. مقدمه‌ای بر یادگیری عمیق پیشرفته
• 86. شبکه‌های مولد تخاصمی (GANs)
• 87. شبکه‌های توجه (Attention Mechanisms)
• 88. ترانسفورمرها (Transformers)
• 89. یادگیری انتقالی (Transfer Learning)
• 90. تنظیم دقیق مدل‌ها (Fine-tuning)
• 91. کاربردهای عملی یادگیری ماشین در صنایع
• 92. یادگیری ماشین در حوزه سلامت
• 93. یادگیری ماشین در حوزه مالی
• 94. یادگیری ماشین در حوزه بازاریابی
• 95. یادگیری ماشین در حوزه تولید
• 96. یادگیری ماشین در حوزه حمل و نقل
• 97. یادگیری ماشین در حوزه انرژی
• 98. مقدمه‌ای بر داده‌های ساختاریافته و غیرساختاریافته
• 99. روش‌های پردازش داده‌های مکانی-زمانی
• 100. یادگیری ماشین برای تحلیل شبکه‌های اجتماعی