دوره مهندسی مدل‌های یادگیری ماشین در AWS: بهبود عملکرد و دقت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی مدل‌های یادگیری ماشین در AWS: بهبود عملکرد و دقت

موضوع کلی: مهندسی یادگیری ماشین و هوش مصنوعی

موضوع میانی: توسعه و بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی مدل‌های یادگیری ماشین
• 2. مبانی مهندسی مدل در AWS
• 3. چرخه حیات توسعه مدل
• 4. اهمیت بهینه‌سازی مدل
• 5. مفهوم Refinement در یادگیری ماشین
• 6. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 7. شاخص‌های کلیدی عملکرد (KPIs)
• 8. دقت (Accuracy) و مفاهیم مرتبط
• 9. صحت (Precision) و بازیابی (Recall)
• 10. امتیاز F1 و کاربردهای آن
• 11. منحنی ROC و AUC
• 12. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 13. انتخاب ویژگی‌های مرتبط
• 14. مهندسی ویژگی برای داده‌های عددی
• 15. مهندسی ویژگی برای داده‌های دسته‌ای
• 16. تبدیل ویژگی‌ها (Feature Transformation)
• 17. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 18. استانداردسازی (Standardization)
• 19. نرمال‌سازی (Normalization)
• 20. مدیریت داده‌های نامتوازن (Imbalanced Data)
• 21. تکنیک‌های نمونه‌برداری (Sampling Techniques)
• 22. کاهش ابعاد (Dimensionality Reduction)
• 23. تحلیل مولفه‌های اصلی (PCA)
• 24. تحلیل تمایز خطی (LDA)
• 25. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 26. مقدمه‌ای بر جستجوی شبکه‌ای (Grid Search)
• 27. جستجوی تصادفی (Random Search)
• 28. بهینه‌سازی بیزی (Bayesian Optimization)
• 29. مفهوم Regularization
• 30. L1 Regularization (Lasso)
• 31. L2 Regularization (Ridge)
• 32. Elastic Net Regularization
• 33. مقدمه‌ای بر جلوگیری از بیش‌برازش (Overfitting)
• 34. مفهوم کم‌برازش (Underfitting)
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. اعتبارسنجی K-Fold
• 37. اعتبارسنجی Stratified K-Fold
• 38. مدیریت داده‌های پرت (Outlier Detection)
• 39. تکنیک‌های شناسایی داده‌های پرت
• 40. حذف یا اصلاح داده‌های پرت
• 41. مقدمه‌ای بر مهندسی مدل‌های مبتنی بر درخت
• 42. تنظیم پارامترهای درخت تصمیم
• 43. تنظیم پارامترهای جنگل تصادفی (Random Forest)
• 44. تنظیم پارامترهای گرادیان بوستینگ (Gradient Boosting)
• 45. مقدمه‌ای بر مهندسی مدل‌های مبتنی بر شبکه‌های عصبی
• 46. تنظیم نرخ یادگیری (Learning Rate)
• 47. تابع فعال‌سازی (Activation Function)
• 48. بهینه‌سازها (Optimizers)
• 49. مقدمه‌ای بر معماری‌های پیشرفته شبکه‌های عصبی
• 50. شبکه‌های عصبی کانولوشنال (CNN)
• 51. شبکه‌های عصبی بازگشتی (RNN)
• 52. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 53. بهینه‌سازی معماری مدل
• 54. استفاده از دانش انتقالی (Transfer Learning)
• 55. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 56. مقدمه‌ای بر مهندسی مدل‌های پردازش زبان طبیعی (NLP)
• 57. مدل‌های زبانی (Language Models)
• 58. تعبیه‌های کلمه (Word Embeddings)
• 59. مدل‌های توالی به توالی (Sequence-to-Sequence Models)
• 60. مقدمه‌ای بر مهندسی مدل‌های بینایی ماشین (Computer Vision)
• 61. شناسایی اشیاء (Object Detection)
• 62. تقسیم‌بندی تصاویر (Image Segmentation)
• 63. تولید تصویر (Image Generation)
• 64. مقدمه‌ای بر مهندسی مدل‌های یادگیری تقویتی (Reinforcement Learning)
• 65. عامل (Agent) و محیط (Environment)
• 66. پاداش (Reward) و سیاست (Policy)
• 67. یادگیری Q (Q-Learning)
• 68. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 69. استقرار مدل در AWS SageMaker
• 70. Endpoint های Real-time
• 71. Endpoint های Batch Transform
• 72. بهینه‌سازی عملکرد مدل در زمان استقرار
• 73. مانیتورینگ مدل (Model Monitoring)
• 74. تشخیص رانش داده (Data Drift Detection)
• 75. تشخیص رانش مفهوم (Concept Drift Detection)
• 76. بازآموزی مدل (Model Retraining)
• 77. استراتژی‌های بازآموزی مدل
• 78. مدیریت چرخه حیات مدل
• 79. مستندسازی مدل‌ها
• 80. کنترل نسخه مدل‌ها
• 81. امنیت مدل‌ها
• 82. اخلاق در هوش مصنوعی
• 83. سوگیری (Bias) در مدل‌ها
• 84. عدالت (Fairness) در هوش مصنوعی
• 85. شفافیت (Transparency) مدل‌ها
• 86. قابلیت تفسیر (Interpretability) مدل‌ها
• 87. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 88. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 89. مقدمه‌ای بر یادگیری خودکار (AutoML)
• 90. مزایا و محدودیت‌های AutoML
• 91. فریم‌ورک‌های AutoML در AWS
• 92. اتوماسیون فرآیندهای ML
• 93. بهبود مستمر مدل‌ها
• 94. ارزیابی جامع عملکرد مدل
• 95. تکنیک‌های پیشرفته بهینه‌سازی
• 96. مطالعات موردی در مهندسی مدل
• 97. چالش‌های عملی در مهندسی مدل
• 98. بهینه‌سازی مدل برای کارایی محاسباتی
• 99. مدیریت منابع محاسباتی
• 100. تکنیک‌های کوانتیزاسیون مدل (Model Quantization)