دوره پایش عملکرد مدل‌های یادگیری ماشین و کیفیت داده در AWS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایش عملکرد مدل‌های یادگیری ماشین و کیفیت داده در AWS

موضوع کلی: مهندسی نرم‌افزار و سیستم‌های هوشمند

موضوع میانی: نظارت و نگهداری مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی نرم‌افزار و سیستم‌های هوشمند
• 2. مبانی یادگیری ماشین در سیستم‌های هوشمند
• 3. مفهوم مدل‌های یادگیری ماشین
• 4. چرخه حیات مدل‌های یادگیری ماشین
• 5. اهمیت پایش مدل‌های یادگیری ماشین
• 6. مقدمه‌ای بر پایش عملکرد مدل
• 7. معیارهای ارزیابی عملکرد مدل
• 8. خطای طبقه‌بندی و رگرسیون
• 9. دقت (Accuracy) در طبقه‌بندی
• 10. صحت (Precision) و بازیابی (Recall)
• 11. امتیاز F1 (F1 Score)
• 12. منحنی ROC و AUC
• 13. معیارهای ارزیابی مدل‌های رگرسیون
• 14. میانگین خطای مطلق (MAE)
• 15. میانگین مربعات خطا (MSE)
• 16. ریشه میانگین مربعات خطا (RMSE)
• 17. ضریب تعیین (R-squared)
• 18. معرفی کیفیت داده در یادگیری ماشین
• 19. اهمیت کیفیت داده برای پایش مدل
• 20. انواع مشکلات کیفیت داده
• 21. داده‌های گمشده (Missing Data)
• 22. داده‌های پرت (Outliers)
• 23. ناهمگونی داده‌ها (Data Inconsistency)
• 24. داده‌های نادرست (Incorrect Data)
• 25. مفهوم انحراف داده (Data Drift)
• 26. انواع انحراف داده
• 27. انحراف مفهوم (Concept Drift)
• 28. انحراف توزیع (Distribution Drift)
• 29. انحراف ویژگی (Feature Drift)
• 30. تأثیر انحراف داده بر عملکرد مدل
• 31. پایش انحراف داده
• 32. روش‌های تشخیص انحراف داده
• 33. آزمون‌های آماری برای تشخیص انحراف
• 34. مقایسه توزیع داده‌های آموزشی و عملیاتی
• 35. استفاده از معیارهای آماری برای انحراف
• 36. پایش انحراف ویژگی‌ها
• 37. پایش انحراف برچسب‌ها (Labels)
• 38. مفهوم انحراف مدل (Model Drift)
• 39. تأثیر انحراف مدل بر پیش‌بینی‌ها
• 40. روش‌های پایش انحراف مدل
• 41. مقایسه پیش‌بینی‌های مدل در طول زمان
• 42. استفاده از داده‌های بازخوردی (Feedback Data)
• 43. پایش مداوم عملکرد مدل
• 44. تنظیم آستانه‌های هشدار (Thresholds)
• 45. پیاده‌سازی سیستم‌های پایش خودکار
• 46. ابزارهای پایش مدل در AWS
• 47. معرفی AWS SageMaker Model Monitor
• 48. قابلیت‌های SageMaker Model Monitor
• 49. پایش کیفیت داده با SageMaker
• 50. پایش انحراف داده با SageMaker
• 51. پایش انحراف مدل با SageMaker
• 52. تنظیمات و پیکربندی SageMaker Model Monitor
• 53. ایجاد Endpoints برای پایش
• 54. استفاده از CloudWatch برای هشدارها
• 55. یکپارچه‌سازی SageMaker با CloudWatch
• 56. تنظیم آلارم‌ها بر اساس معیارهای پایش
• 57. مدیریت گزارش‌های پایش
• 58. ذخیره‌سازی داده‌های پایش شده
• 59. تحلیل داده‌های پایش شده
• 60. مفهوم بازآموزی مدل (Model Retraining)
• 61. شرایط بازآموزی مدل
• 62. زمان‌بندی بازآموزی مدل
• 63. بازآموزی خودکار مدل
• 64. تکنیک‌های بهبود عملکرد مدل
• 65. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 66. مهندسی ویژگی (Feature Engineering)
• 67. انتقال یادگیری (Transfer Learning)
• 68. یادگیری تقویتی (Reinforcement Learning)
• 69. ملاحظات امنیتی در پایش مدل
• 70. حفاظت از داده‌های حساس
• 71. مدیریت دسترسی به ابزارهای پایش
• 72. پایش مدل‌های در حال آموزش
• 73. پایش مدل‌های استقراری
• 74. پایش مدل‌های دسته‌ای (Batch Inference)
• 75. پایش مدل‌های بلادرنگ (Real-time Inference)
• 76. مستندسازی فرآیند پایش
• 77. بهبود مستمر فرآیند پایش
• 78. مطالعات موردی پایش مدل
• 79. پایش مدل‌های تشخیص تصویر
• 80. پایش مدل‌های پردازش زبان طبیعی
• 81. پایش مدل‌های پیش‌بینی سری زمانی
• 82. پایش مدل‌های سیستم‌های توصیه‌گر
• 83. مسائل اخلاقی در پایش مدل
• 84. شفافیت در پایش مدل
• 85. مسئولیت‌پذیری در پایش مدل
• 86. آینده پایش مدل‌های یادگیری ماشین
• 87. نوآوری‌ها در حوزه پایش
• 88. تکنیک‌های پیشرفته پایش
• 89. جمع‌بندی و گام‌های بعدی در پایش مدل