دوره راه‌اندازی محیط عملیاتی برای پروژه‌های یادگیری ماشین در AWS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راه‌اندازی محیط عملیاتی برای پروژه‌های یادگیری ماشین در AWS

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: زیرساخت‌ها و ابزارهای یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. اخلاق در هوش مصنوعی
• 6. معرفی سرویس‌های AWS برای یادگیری ماشین
• 7. مفاهیم کلیدی AWS برای ML
• 8. آشنایی با Amazon SageMaker
• 9. قابلیت‌های Amazon SageMaker
• 10. مزایای استفاده از SageMaker
• 11. محیط‌های توسعه در SageMaker
• 12. نصب و پیکربندی SageMaker Studio
• 13. راه اندازی نوت‌بوک‌ها در SageMaker
• 14. کار با داده‌ها در SageMaker
• 15. بارگذاری و پیش‌پردازش داده‌ها
• 16. مدیریت مجموعه داده‌ها در SageMaker
• 17. آموزش مدل‌های یادگیری ماشین
• 18. انتخاب الگوریتم‌های مناسب
• 19. تنظیم پارامترهای مدل
• 20. اجرای آموزش مدل در SageMaker
• 21. نظارت بر فرآیند آموزش
• 22. ارزیابی و سنجش عملکرد مدل
• 23. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 24. انتخاب معیارهای مناسب
• 25. تنظیم مدل بر اساس نتایج ارزیابی
• 26. استقرار مدل‌های یادگیری ماشین
• 27. انواع استقرار مدل
• 28. استقرار مدل به صورت Real-time
• 29. استقرار مدل به صورت Batch Transform
• 30. مدیریت و مانیتورینگ مدل‌های مستقر شده
• 31. به‌روزرسانی مدل‌ها
• 32. امنیت در محیط‌های یادگیری ماشین AWS
• 33. مدیریت دسترسی با IAM
• 34. امنیت داده‌ها در SageMaker
• 35. پیکربندی امنیتی SageMaker
• 36. بهینه‌سازی هزینه‌ها در AWS برای ML
• 37. استراتژی‌های کاهش هزینه
• 38. استفاده بهینه از منابع محاسباتی
• 39. انتخاب نمونه‌های مناسب SageMaker
• 40. مدیریت چرخه عمر مدل
• 41. نسخه‌بندی مدل‌ها
• 42. ردیابی آزمایش‌های یادگیری ماشین
• 43. مستندسازی پروژه‌های ML
• 44. اصول مهندسی ویژگی (Feature Engineering)
• 45. روش‌های مهندسی ویژگی
• 46. اعتبارسنجی متقابل (Cross-Validation)
• 47. تنظیم فراپارامترها (Hyperparameter Tuning)
• 48. استفاده از SageMaker Hyperparameter Tuning Jobs
• 49. یادگیری عمیق (Deep Learning)
• 50. مبانی شبکه‌های عصبی
• 51. معرفی فریم‌ورک‌های یادگیری عمیق
• 52. استفاده از SageMaker برای Deep Learning
• 53. آموزش مدل‌های CNN
• 54. آموزش مدل‌های RNN
• 55. پردازش زبان طبیعی (NLP)
• 56. کاربرد NLP در یادگیری ماشین
• 57. استفاده از SageMaker برای NLP
• 58. مدل‌های زبانی
• 59. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 60. بینایی ماشین (Computer Vision)
• 61. کاربرد بینایی ماشین
• 62. استفاده از SageMaker برای بینایی ماشین
• 63. تشخیص اشیاء
• 64. دسته‌بندی تصاویر
• 65. یادگیری تقویتی (Reinforcement Learning)
• 66. مبانی یادگیری تقویتی
• 67. کاربرد یادگیری تقویتی
• 68. استفاده از SageMaker برای یادگیری تقویتی
• 69. یادگیری ماشین خودکار (AutoML)
• 70. معرفی AutoML
• 71. استفاده از SageMaker Autopilot
• 72. تحلیل داده‌های بزرگ (Big Data Analytics)
• 73. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 74. استفاده از AWS Glue برای ETL
• 75. یکپارچه‌سازی SageMaker با سرویس‌های داده AWS
• 76. ساخت پایپ‌لاین‌های ML در SageMaker
• 77. مدیریت و خودکارسازی فرآیندهای ML
• 78. مقدمه‌ای بر MLOps
• 79. اصول MLOps
• 80. ابزارهای MLOps در AWS
• 81. پایپ‌لاین‌های CI/CD برای ML
• 82. مانیتورینگ و هشداردهی در ML
• 83. مدیریت خطا در مدل‌های ML
• 84. تفسیرپذیری مدل‌های ML
• 85. تکنیک‌های تفسیرپذیری
• 86. استفاده از SageMaker Clarify
• 87. پیش‌گیری از سوگیری (Bias) در مدل‌ها
• 88. شناسایی و کاهش سوگیری
• 89. اخلاق در توسعه و استقرار مدل‌های ML
• 90. قوانین و مقررات مربوط به داده‌ها
• 91. حفظ حریم خصوصی داده‌ها
• 92. مدل‌های پیش‌بینانه در کسب‌وکار
• 93. کاربرد مدل‌های پیش‌بینانه
• 94. بهینه‌سازی فرآیندهای تجاری با ML
• 95. مدل‌سازی ریسک
• 96. پیش‌بینی تقاضا
• 97. شخصی‌سازی تجربه مشتری
• 98. سیستم‌های توصیه‌گر
• 99. معرفی سیستم‌های توصیه‌گر
• 100. ساخت سیستم توصیه‌گر در SageMaker