دوره علم داده پیشرفته در Google Cloud Platform برای تحلیل پیش‌بینانه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده پیشرفته در Google Cloud Platform برای تحلیل پیش‌بینانه

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل پیش‌بینانه با استفاده از پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و گوگل کلود
• 2. آشنایی با خدمات گوگل کلود برای علم داده
• 3. محیط‌های توسعه در گوگل کلود
• 4. مفاهیم کلیدی تحلیل پیش‌بینانه
• 5. آشنایی با مجموعه داده‌های ساختاریافته و غیرساختاریافته
• 6. پیش‌پردازش داده‌ها در گوگل کلود
• 7. پاکسازی و نرمال‌سازی داده‌ها
• 8. مهندسی ویژگی (Feature Engineering)
• 9. انتخاب ویژگی (Feature Selection)
• 10. آشنایی با الگوریتم‌های یادگیری ماشین
• 11. یادگیری با نظارت (Supervised Learning)
• 12. یادگیری بدون نظارت (Unsupervised Learning)
• 13. رگرسیون خطی در گوگل کلود
• 14. رگرسیون لجستیک در گوگل کلود
• 15. درخت‌های تصمیم و جنگل‌های تصادفی
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. شبکه‌های عصبی و یادگیری عمیق
• 18. مقدمه‌ای بر BigQuery برای تحلیل داده
• 19. اجرای کوئری‌های SQL در BigQuery
• 20. تجسم داده‌ها در گوگل کلود
• 21. استفاده از Data Studio برای داشبوردهای تحلیلی
• 22. مقدمه‌ای بر Vertex AI (ML Platform)
• 23. آماده‌سازی داده‌ها برای مدل‌سازی در Vertex AI
• 24. آموزش مدل‌های یادگیری ماشین در Vertex AI
• 25. ارزیابی و انتخاب مدل
• 26. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 27. استقرار مدل‌های پیش‌بینانه
• 28. پیش‌بینی با استفاده از APIهای مدل مستقر شده
• 29. مدیریت چرخه عمر مدل (MLOps)
• 30. پایپ‌لاین‌های داده در گوگل کلود
• 31. اتوماسیون فرآیندهای علم داده
• 32. مقدمه‌ای بر تحلیل سری‌های زمانی
• 33. مدل‌سازی سری‌های زمانی در گوگل کلود
• 34. پیش‌بینی تقاضا
• 35. پیش‌بینی فروش
• 36. تحلیل احساسات (Sentiment Analysis)
• 37. پردازش زبان طبیعی (NLP) در گوگل کلود
• 38. استفاده از AutoML برای NLP
• 39. تشخیص اشیاء در تصاویر
• 40. بینایی ماشین (Computer Vision) در گوگل کلود
• 41. استفاده از AutoML برای بینایی ماشین
• 42. تکنیک‌های خوشه‌بندی (Clustering)
• 43. کاربرد خوشه‌بندی در بخش‌بندی مشتریان
• 44. تشخیص ناهنجاری (Anomaly Detection)
• 45. کاربرد تشخیص ناهنجاری در کشف تقلب
• 46. شبکه‌های عصبی بازگشتی (RNN)
• 47. شبکه‌های عصبی کانولوشنی (CNN)
• 48. ترنسفورمرها در NLP
• 49. مدل‌های زبانی بزرگ (LLM) در گوگل کلود
• 50. کاربرد LLMها در تولید محتوا
• 51. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 52. کاربرد یادگیری تقویتی در بهینه‌سازی
• 53. امنیت داده‌ها در گوگل کلود
• 54. حفظ حریم خصوصی داده‌ها
• 55. ملاحظات اخلاقی در علم داده
• 56. سوگیری در الگوریتم‌های یادگیری ماشین
• 57. تفسیرپذیری مدل‌ها (Model Interpretability)
• 58. توضیح پیش‌بینی‌های مدل
• 59. مدل‌سازی پیش‌بینانه در حوزه مالی
• 60. مدل‌سازی پیش‌بینانه در حوزه سلامت
• 61. مدل‌سازی پیش‌بینانه در حوزه خرده‌فروشی
• 62. مدل‌سازی پیش‌بینانه در حوزه تولید
• 63. بهینه‌سازی فرآیندها با استفاده از تحلیل پیش‌بینانه
• 64. مدیریت ریسک با تحلیل پیش‌بینانه
• 65. شخصی‌سازی تجربه مشتری
• 66. تحلیل سبد خرید
• 67. پیش‌بینی ریزش مشتری (Customer Churn)
• 68. بهینه‌سازی کمپین‌های بازاریابی
• 69. مدیریت زنجیره تامین
• 70. بهینه‌سازی موجودی
• 71. پیش‌بینی خرابی تجهیزات
• 72. تحلیل داده‌های حسگرها (IoT)
• 73. استفاده از Pub/Sub برای جریان داده
• 74. استفاده از Dataflow برای پردازش جریانی
• 75. ساخت مدل‌های توصیه‌گر (Recommender Systems)
• 76. تکنیک‌های فاکتورگیری ماتریس
• 77. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 78. ارزیابی سیستم‌های توصیه‌گر
• 79. مقدمه‌ای بر Graph Neural Networks (GNNs)
• 80. کاربرد GNNs در تحلیل شبکه‌ها
• 81. تحلیل شبکه‌های اجتماعی
• 82. تحلیل شبکه‌های ارتباطی
• 83. استفاده از TensorFlow Enterprise در گوگل کلود
• 84. استفاده از PyTorch در گوگل کلود
• 85. بهینه‌سازی مدل‌ها برای استقرار در مقیاس بزرگ
• 86. معماری‌های مقیاس‌پذیر برای علم داده
• 87. راهکارهای ابری برای Big Data
• 88. پردازش موازی و توزیع شده
• 89. هماهنگ‌سازی و مدیریت منابع ابری
• 90. مقدمه‌ای بر مهندسی داده (Data Engineering)
• 91. نقش مهندس داده در چرخه عمر علم داده
• 92. ابزارهای مهندسی داده در گوگل کلود
• 93. طراحی پایپ‌لاین‌های داده قوی
• 94. مدیریت کیفیت داده‌ها
• 95. حاکمیت داده‌ها
• 96. مستندسازی پروژه‌های علم داده
• 97. ارتباط موثر نتایج تحلیل با ذینفعان
• 98. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 99. کاربرد یادگیری فعال در کاهش هزینه‌های برچسب‌گذاری
• 100. یادگیری با انتقال (Transfer Learning)