دوره استقرار و پیش‌بینی سفارشی در پلتفرم هوش مصنوعی گوگل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار و پیش‌بینی سفارشی در پلتفرم هوش مصنوعی گوگل

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 5. مهندسی ویژگی: انتخاب و ساخت ویژگی‌ها
• 6. معرفی مدل‌های یادگیری ماشین
• 7. رگرسیون خطی و ارزیابی آن
• 8. رگرسیون لجستیک برای طبقه‌بندی
• 9. درختان تصمیم و کاربردهای آن‌ها
• 10. جنگل‌های تصادفی و تقویت قدرت پیش‌بینی
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. خوشه‌بندی K-Means
• 13. تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد
• 14. معرفی شبکه‌های عصبی مصنوعی
• 15. معماری شبکه‌های عصبی پرسپترون چندلایه
• 16. تابع فعال‌سازی در شبکه‌های عصبی
• 17. پس‌انتشار خطا (Backpropagation)
• 18. شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر
• 19. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 20. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 21. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 22. اهمیت استقرار مدل در دنیای واقعی
• 23. محیط‌های استقرار مدل‌های هوش مصنوعی
• 24. مفهوم استقرار سفارشی (Custom Prediction Routine)
• 25. چرا به استقرار سفارشی نیاز داریم؟
• 26. مزایای استقرار سفارشی
• 27. مراحل کلی استقرار مدل
• 28. انتخاب پلتفرم مناسب برای استقرار
• 29. پلتفرم هوش مصنوعی گوگل (Google AI Platform)
• 30. معرفی سرویس‌های Google AI Platform
• 31. Google Cloud Vertex AI
• 32. ایجاد محیط توسعه مناسب
• 33. آماده‌سازی مدل برای استقرار
• 34. ذخیره‌سازی مدل‌های آموزش‌دیده
• 35. فرمت‌های استاندارد مدل (مانند SavedModel)
• 36. مفهوم تابع پیش‌بینی (Prediction Function)
• 37. نوشتن کد تابع پیش‌بینی سفارشی
• 38. ورودی‌ها و خروجی‌های تابع پیش‌بینی
• 39. اعتبارسنجی ورودی‌ها در تابع پیش‌بینی
• 40. پردازش داده‌های ورودی قبل از پیش‌بینی
• 41. اعمال مدل بر روی داده‌های پردازش شده
• 42. پردازش خروجی مدل
• 43. ارائه خروجی نهایی به صورت استاندارد
• 44. مدیریت خطا در تابع پیش‌بینی
• 45. نوشتن تست‌های واحد برای تابع پیش‌بینی
• 46. محیط اجرای محلی برای تست
• 47. استقرار تابع پیش‌بینی بر روی Google AI Platform
• 48. ایجاد مدل در Vertex AI
• 49. ایجاد نسخه (Version) برای مدل
• 50. تنظیمات سخت‌افزاری و نرم‌افزاری برای استقرار
• 51. انتخاب نوع ماشین (Machine Type)
• 52. تنظیمات شبکه و دسترسی‌ها
• 53. استقرار نسخه سفارشی
• 54. آزمایش استقرار با درخواست‌های نمونه
• 55. ارسال درخواست‌های پیش‌بینی به نقطه پایانی (Endpoint)
• 56. تجزیه و تحلیل نتایج پیش‌بینی
• 57. مقایسه نتایج با داده‌های واقعی
• 58. بهینه‌سازی عملکرد مدل پس از استقرار
• 59. تنظیم پارامترهای استقرار
• 60. مقیاس‌پذیری خودکار (Auto-scaling)
• 61. مانیتورینگ عملکرد مدل
• 62. بررسی لاگ‌ها و خطاها
• 63. به‌روزرسانی مدل‌های مستقر شده
• 64. استقرار نسخه‌های جدید مدل
• 65. مدیریت چرخه‌های عمر مدل
• 66. امنیت در استقرار مدل‌های هوش مصنوعی
• 67. کنترل دسترسی و احراز هویت
• 68. رمزنگاری داده‌ها
• 69. مدیریت هزینه‌ها در Google AI Platform
• 70. استفاده بهینه از منابع محاسباتی
• 71. پایش مصرف منابع
• 72. نکات پیشرفته در استقرار سفارشی
• 73. استفاده از کتابخانه‌های سفارشی
• 74. مدیریت وابستگی‌ها
• 75. استقرار مدل‌های پیچیده
• 76. مدل‌های چند خروجی
• 77. استقرار مدل‌های یادگیری تقویتی
• 78. ملاحظات اخلاقی در هوش مصنوعی
• 79. مسئولیت‌پذیری در پیش‌بینی‌ها
• 80. شفافیت و قابلیت توضیح‌پذیری مدل
• 81. تأثیر مدل‌ها بر تصمیم‌گیری‌ها
• 82. کاربردهای عملی استقرار سفارشی
• 83. پیش‌بینی تقاضا در کسب‌وکار
• 84. تشخیص تقلب
• 85. سیستم‌های توصیه‌گر
• 86. پردازش زبان طبیعی
• 87. بینایی ماشین
• 88. جمع‌بندی و نگاه به آینده
• 89. روندها در استقرار مدل‌های هوش مصنوعی
• 90. ابزارهای نوین در MLOps
• 91. اهمیت استقرار مداوم و یکپارچه (CI/CD)
• 92. مسیر یادگیری برای متخصصان هوش مصنوعی