دوره تحلیل و سنجش کارایی مدل‌های یادگیری ماشین در AWS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و سنجش کارایی مدل‌های یادگیری ماشین در AWS

موضوع کلی: مهندسی نرم‌افزار و توسعهٔ سیستم‌های هوشمند

موضوع میانی: ارزیابی و بهینه‌سازی عملکرد مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سنجش کارایی مدل‌های یادگیری ماشین
• 2. اهمیت تحلیل عملکرد در چرخه عمر مدل
• 3. معیارهای اساسی ارزیابی مدل‌های طبقه‌بندی
• 4. دقت (Accuracy) و محدودیت‌های آن
• 5. حساسیت (Sensitivity) و ویژگی (Specificity)
• 6. مقدار پیش‌بین مثبت (Precision) و بازخوانی (Recall)
• 7. امتیاز F1 و توازن بین دقت و بازخوانی
• 8. ماتریس درهم‌ریختگی (Confusion Matrix)
• 9. تحلیل منحنی ROC و سطح زیر منحنی (AUC)
• 10. منحنی Precision-Recall و کاربردهای آن
• 11. معیارهای ارزیابی مدل‌های رگرسیون
• 12. خطای میانگین مربعات (MSE)
• 13. ریشه خطای میانگین مربعات (RMSE)
• 14. خطای میانگین قدر مطلق (MAE)
• 15. ضریب تعیین (R-squared)
• 16. نکات کلیدی در تفسیر معیارهای رگرسیون
• 17. معیارهای ارزیابی مدل‌های خوشه‌بندی
• 18. شاخص سیلوئت (Silhouette Score)
• 19. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 20. ارزیابی کیفی خوشه‌ها
• 21. معیارهای ارزیابی مدل‌های پردازش زبان طبیعی (NLP)
• 22. معیارهای مبتنی بر کلمه (BLEU, ROUGE)
• 23. معیارهای مبتنی بر جمله
• 24. ارزیابی مدل‌های تشخیص اشیاء
• 25. معیارهای IoU (Intersection over Union)
• 26. معیارهای Precision و Recall برای تشخیص اشیاء
• 27. ارزیابی مدل‌های تولید محتوا
• 28. معیارهای ارزیابی مدل‌های یادگیری تقویتی
• 29. پاداش (Reward) و تابع ارزش (Value Function)
• 30. سیاست (Policy) و بهینه‌سازی آن
• 31. معیارهای ارزیابی مدل‌های سری زمانی
• 32. خطای پیش‌بینی (Forecast Error)
• 33. میانگین خطای درصدی مطلق (MAPE)
• 34. تحلیل واریانس مدل
• 35. شناسایی و مدیریت بیش‌برازش (Overfitting)
• 36. تکنیک‌های تنظیم‌گری (Regularization)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. اعتبارسنجی K-Fold
• 39. اعتبارسنجی Stratified K-Fold
• 40. اعتبارسنجی Time Series Cross-Validation
• 41. شناسایی و مدیریت کم‌برازش (Underfitting)
• 42. تکنیک‌های افزایش پیچیدگی مدل
• 43. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 44. جستجوی شبکه‌ای (Grid Search)
• 45. جستجوی تصادفی (Random Search)
• 46. بهینه‌سازی بیزی (Bayesian Optimization)
• 47. ابزارهای مانیتورینگ عملکرد مدل در AWS
• 48. Amazon SageMaker Model Monitor
• 49. تنظیم آستانه‌های هشدار
• 50. تحلیل انحراف داده (Data Drift)
• 51. تحلیل انحراف مفهوم (Concept Drift)
• 52. مدیریت چرخه عمر مدل در AWS
• 53. بازآموزی مدل (Model Retraining)
• 54. استقرار مدل (Model Deployment)
• 55. مقایسه عملکرد مدل‌های مختلف
• 56. انتخاب بهترین مدل بر اساس معیارهای سنجش
• 57. مستندسازی نتایج ارزیابی
• 58. گزارش‌دهی عملکرد مدل
• 59. تجسم‌سازی نتایج ارزیابی
• 60. کاربرد ابزارهای بصری‌سازی در AWS
• 61. داشبوردهای سفارشی برای مانیتورینگ
• 62. استانداردهای صنعتی برای ارزیابی مدل
• 63. اصول ارزیابی مدل در چارچوب اسلامی
• 64. اصول ارزیابی مدل در چارچوب اقتصاد مقاومتی
• 65. ملاحظات اخلاقی در ارزیابی مدل
• 66. حفظ حریم خصوصی داده‌ها در ارزیابی
• 67. شفافیت در فرآیند ارزیابی مدل
• 68. قابلیت تفسیرپذیری مدل (Model Interpretability)
• 69. تکنیک‌های توضیح‌پذیری مدل (XAI)
• 70. LIME و SHAP
• 71. تحلیل اهمیت ویژگی‌ها (Feature Importance)
• 72. اهمیت ویژگی در مدل‌های خطی
• 73. اهمیت ویژگی در مدل‌های درختی
• 74. اهمیت ویژگی در مدل‌های یادگیری عمیق
• 75. کاربرد تحلیل عملکرد در بهینه‌سازی مدل
• 76. بهبود پارامترهای مدل
• 77. انتخاب ویژگی‌های مؤثرتر
• 78. تغییر معماری مدل
• 79. بررسی تأثیر داده‌های آموزشی بر عملکرد
• 80. پاکسازی و پیش‌پردازش داده برای ارزیابی
• 81. مدیریت داده‌های نامتوازن
• 82. تکنیک‌های نمونه‌برداری مجدد (Resampling)
• 83. تکنیک‌های تولید داده مصنوعی (Data Augmentation)
• 84. ارزیابی مدل در سناریوهای واقعی کسب‌وکار
• 85. سناریوهای بانکی و مالی
• 86. سناریوهای بهداشتی و درمانی
• 87. سناریوهای تجارت الکترونیک
• 88. سناریوهای تولید و صنعتی
• 89. سناریوهای دولتی و عمومی
• 90. جمع‌بندی و گام‌های بعدی در تحلیل عملکرد مدل