دوره راهنمای جامع Amazon SageMaker برای ساخت و استقرار مدل‌های یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع Amazon SageMaker برای ساخت و استقرار مدل‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: ابزارها و پلتفرم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و هوش مصنوعی
• 2. مقدمه‌ای بر Amazon SageMaker
• 3. معماری و اجزای اصلی SageMaker
• 4. راه‌اندازی محیط توسعه SageMaker
• 5. مدیریت داده‌ها در SageMaker
• 6. پیش‌پردازش داده‌ها با SageMaker
• 7. انتخاب الگوریتم‌های مناسب یادگیری ماشین
• 8. آموزش مدل‌های یادگیری ماشین در SageMaker
• 9. انواع الگوریتم‌های داخلی SageMaker
• 10. استفاده از الگوریتم‌های سفارشی (Custom Algorithms)
• 11. مدیریت نسخه مدل‌ها (Model Versioning)
• 12. تنظیم و بهینه‌سازی هایپرپارامترها
• 13. آموزش توزیع‌شده (Distributed Training)
• 14. نظارت بر فرآیند آموزش (Monitoring Training Jobs)
• 15. ارزیابی عملکرد مدل‌ها (Model Evaluation)
• 16. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 17. معیارهای ارزیابی مدل‌های رگرسیون
• 18. تفسیرپذیری مدل‌ها (Model Interpretability)
• 19. استقرار مدل‌ها (Model Deployment)
• 20. استقرار آنی (Real-time Inference)
• 21. استقرار دسته‌ای (Batch Transform)
• 22. مدیریت نقاط پایانی (Endpoint Management)
• 23. مقیاس‌پذیری و دسترس‌پذیری نقاط پایانی
• 24. بهینه‌سازی هزینه‌ها در SageMaker
• 25. امنیت در SageMaker
• 26. مدیریت دسترسی و مجوزها (IAM)
• 27. رمزنگاری داده‌ها در SageMaker
• 28. نظارت و گزارش‌دهی امنیتی
• 29. SageMaker Studio: محیط یکپارچه توسعه
• 30. نوت‌بوک‌های مدیریت‌شده (Managed Notebooks)
• 31. تجربه‌های توسعه (Development Environments)
• 32. مدیریت پروژه‌ها در SageMaker Studio
• 33. SageMaker Experiments: ردیابی آزمایش‌ها
• 34. SageMaker Debugger: رفع اشکال مدل‌ها
• 35. SageMaker Model Monitor: نظارت بر انحراف مدل
• 36. SageMaker Clarify: تفسیرپذیری و تشخیص بایاس
• 37. SageMaker Autopilot: ساخت خودکار مدل
• 38. ساخت مدل‌های طبقه‌بندی با Autopilot
• 39. ساخت مدل‌های رگرسیون با Autopilot
• 40. ساخت مدل‌های پیش‌بینی سری زمانی
• 41. کاربرد SageMaker در پردازش زبان طبیعی (NLP)
• 42. آموزش مدل‌های زبان بزرگ (LLMs)
• 43. استفاده از مدل‌های از پیش آموزش‌دیده NLP
• 44. تنظیم دقیق مدل‌های NLP (Fine-tuning)
• 45. استقرار مدل‌های NLP برای استنتاج
• 46. کاربرد SageMaker در بینایی ماشین (Computer Vision)
• 47. آموزش مدل‌های تشخیص تصویر
• 48. آموزش مدل‌های قطعه‌بندی تصویر
• 49. آموزش مدل‌های تشخیص اشیاء
• 50. استفاده از مدل‌های از پیش آموزش‌دیده بینایی ماشین
• 51. SageMaker Ground Truth: برچسب‌گذاری داده‌ها
• 52. ایجاد وظایف برچسب‌گذاری سفارشی
• 53. مدیریت و کیفیت برچسب‌ها
• 54. استفاده از کارگران انسانی (Human Labeling)
• 55. استفاده از کارگران ماشینی (Machine Labeling)
• 56. SageMaker Pipelines: اتوماسیون گردش کار ML
• 57. طراحی و اجرای پایپ‌لاین‌ها
• 58. مدیریت منابع در پایپ‌لاین‌ها
• 59. نسخه‌بندی پایپ‌لاین‌ها
• 60. اتوماسیون استقرار مدل با پایپ‌لاین‌ها
• 61. SageMaker Feature Store: مدیریت ویژگی‌ها
• 62. ذخیره‌سازی و بازیابی ویژگی‌ها
• 63. به اشتراک‌گذاری ویژگی‌ها بین تیم‌ها
• 64. ایجاد پایپ‌لاین‌های ویژگی
• 65. SageMaker Model Registry: مدیریت رجیستری مدل
• 66. ثبت و ردیابی مدل‌ها
• 67. مدیریت چرخه عمر مدل
• 68. استقرار مدل‌ها از رجیستری
• 69. SageMaker JumpStart: مدل‌های آماده و راه‌حل‌ها
• 70. کاوش و استفاده از مدل‌های آماده
• 71. استفاده از راه‌حل‌های آماده SageMaker
• 72. تنظیم و سفارشی‌سازی راه‌حل‌ها
• 73. SageMaker Neo: بهینه‌سازی مدل برای دستگاه‌های مختلف
• 74. کامپایل مدل‌ها برای سخت‌افزارهای خاص
• 75. پشتیبانی از فریم‌ورک‌های مختلف
• 76. استقرار مدل‌های بهینه‌سازی شده
• 77. SageMaker Inference Recommender: بهینه‌سازی استقرار
• 78. پیشنهاد بهترین پیکربندی سخت‌افزاری
• 79. تحلیل هزینه و عملکرد استقرار
• 80. SageMaker Model Building Pipelines
• 81. SageMaker Model Training Pipelines
• 82. SageMaker Model Deployment Pipelines
• 83. SageMaker Model Monitoring Pipelines
• 84. SageMaker MLOps Best Practices
• 85. مدیریت چرخه عمر مدل در تولید
• 86. پایش مداوم عملکرد مدل
• 87. بازآموزی و به‌روزرسانی مدل‌ها
• 88. حاکمیت داده‌ها در پروژه‌های ML
• 89. قوانین و مقررات حفاظت از داده‌ها
• 90. اخلاق در هوش مصنوعی و یادگیری ماشین
• 91. تشخیص و کاهش بایاس در مدل‌ها
• 92. شفافیت و توضیح‌پذیری در ML
• 93. مسئولیت‌پذیری در توسعه ML
• 94. کاربردهای صنعتی هوش مصنوعی (با رویکرد رسمی)
• 95. هوش مصنوعی در صنعت تولید
• 96. هوش مصنوعی در حوزه مالی
• 97. هوش مصنوعی در حوزه سلامت
• 98. هوش مصنوعی در حوزه خرده‌فروشی
• 99. هوش مصنوعی در حوزه انرژی
• 100. هوش مصنوعی در حوزه حمل و نقل