دوره آموزش مدل با استفاده از Amazon SageMaker: راهنمای عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل با استفاده از Amazon SageMaker: راهنمای عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه‌ای یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. یادگیری ماشین نظارت شده: رگرسیون و طبقه‌بندی
• 5. یادگیری ماشین بدون نظارت: خوشه‌بندی و کاهش ابعاد
• 6. مقدمه‌ای بر Amazon SageMaker
• 7. معماری Amazon SageMaker
• 8. محیط‌های توسعه در SageMaker
• 9. آماده‌سازی داده‌ها برای یادگیری ماشین
• 10. پاکسازی و پیش‌پردازش داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب و استخراج ویژگی
• 13. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 14. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 15. رگرسیون خطی
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. درختان تصمیم
• 19. جنگل‌های تصادفی (Random Forests)
• 20. گرادیان بوستینگ (Gradient Boosting)
• 21. شبکه‌های عصبی مصنوعی
• 22. مقدمه‌ای بر شبکه‌های عصبی
• 23. لایه‌های شبکه‌های عصبی
• 24. توابع فعال‌سازی
• 25. پس‌انتشار خطا (Backpropagation)
• 26. بهینه‌سازی شبکه‌های عصبی
• 27. یادگیری عمیق (Deep Learning)
• 28. شبکه‌های عصبی کانولوشنی (CNN)
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. شبکه‌های عصبی ترنسفورمر
• 31. آموزش مدل با SageMaker
• 32. انتخاب الگوریتم مناسب
• 33. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 34. استفاده از الگوریتم‌های داخلی SageMaker
• 35. آموزش مدل با استفاده از اسکریپت‌های سفارشی
• 36. مدیریت داده‌ها در SageMaker
• 37. ذخیره‌سازی داده‌ها در S3
• 38. دسترسی به داده‌ها در SageMaker
• 39. ایجاد مجموعه داده (Dataset) در SageMaker
• 40. آموزش مدل‌های توزیع شده
• 41. استفاده از پردازنده‌های گرافیکی (GPU) برای آموزش
• 42. نظارت بر فرآیند آموزش
• 43. ثبت و ردیابی آزمایش‌ها
• 44. ارزیابی مدل
• 45. معیارهای ارزیابی مدل برای رگرسیون
• 46. معیارهای ارزیابی مدل برای طبقه‌بندی
• 47. ماتریس درهم‌ریختگی (Confusion Matrix)
• 48. منحنی ROC و AUC
• 49. اعتبارسنجی متقابل (Cross-validation)
• 50. تنظیم ابرپارامترها با SageMaker
• 51. جستجوی شبکه‌ای (Grid Search)
• 52. جستجوی تصادفی (Random Search)
• 53. بهینه‌سازی بیزی (Bayesian Optimization)
• 54. استقرار مدل در SageMaker
• 55. ایجاد نقطه پایانی (Endpoint) برای استقرار
• 56. استقرار مدل برای پیش‌بینی آنی
• 57. استقرار مدل برای پردازش دسته‌ای (Batch Transform)
• 58. بهینه‌سازی عملکرد مدل مستقر شده
• 59. مقیاس‌پذیری نقاط پایانی
• 60. مدیریت نسخه‌های مدل
• 61. مانیتورینگ مدل مستقر شده
• 62. تشخیص انحراف داده (Data Drift)
• 63. تشخیص انحراف مدل (Model Drift)
• 64. استفاده از SageMaker Pipelines
• 65. اتوماسیون فرآیند ML
• 66. مدیریت چرخه عمر مدل
• 67. مقدمه‌ای بر MLOps
• 68. اصول MLOps
• 69. ابزارها و تکنیک‌های MLOps
• 70. امنیت در SageMaker
• 71. مدیریت دسترسی و مجوزها
• 72. رمزنگاری داده‌ها
• 73. پایش امنیتی
• 74. ملاحظات اخلاقی در هوش مصنوعی
• 75. عدالت و انصاف در مدل‌ها
• 76. شفافیت مدل‌ها
• 77. پاسخگویی در هوش مصنوعی
• 78. کاربرد هوش مصنوعی در صنایع مختلف
• 79. هوش مصنوعی در بهداشت و درمان
• 80. هوش مصنوعی در امور مالی
• 81. هوش مصنوعی در تولید
• 82. هوش مصنوعی در خرده‌فروشی
• 83. هوش مصنوعی در حمل و نقل
• 84. مقدمه‌ای بر یادگیری تقویتی
• 85. مفاهیم کلیدی یادگیری تقویتی
• 86. عامل، محیط، پاداش
• 87. سیاست (Policy) و تابع ارزش (Value Function)
• 88. الگوریتم‌های یادگیری تقویتی
• 89. Q-Learning
• 90. Deep Q-Networks (DQN)
• 91. Policy Gradients
• 92. Actor-Critic Methods
• 93. کاربرد یادگیری تقویتی در SageMaker
• 94. آموزش عامل یادگیری تقویتی
• 95. استقرار عامل یادگیری تقویتی
• 96. ملاحظات پیشرفته در SageMaker
• 97. آموزش مدل با استفاده از داده‌های حجیم
• 98. بهینه‌سازی هزینه‌ها در SageMaker
• 99. استفاده از SageMaker Studio
• 100. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)