فلش‌کارت‌های آموزشی یادگیری ماشین از منظر مدیریت داده‌های بزرگ

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری ماشین از منظر مدیریت داده‌های بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری ماشین و داده های بزرگ
• 2. تعریف داده های بزرگ
• 3. ویژگی های داده های بزرگ (حجم، سرعت، تنوع، واقعیت، ارزش)
• 4. چالش های داده های بزرگ
• 5. نقش یادگیری ماشین در مدیریت داده های بزرگ
• 6. اهداف یادگیری ماشین در زمینه داده های بزرگ
• 7. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 8. الگوریتم های یادگیری ماشین رایج
• 9. معماری های یادگیری عمیق
• 10. مراحل چرخه حیات پروژه یادگیری ماشین
• 11. مراحل مدیریت داده های بزرگ
• 12. جمع آوری داده ها
• 13. ذخیره سازی داده ها (HDFS، S3، NoSQL)
• 14. پردازش داده ها (MapReduce، Spark)
• 15. پاکسازی داده ها
• 16. تبدیل داده ها
• 17. مهندسی ویژگی
• 18. انتخاب ویژگی
• 19. کاهش ابعاد
• 20. انالیز اکتشافی داده ها (EDA)
• 21. تجسم داده ها
• 22. انتخاب مدل یادگیری ماشین
• 23. آموزش مدل
• 24. تنظیم هایپرپارامترها
• 25. ارزیابی مدل
• 26. اعتبارسنجی مدل
• 27. تفسیر پذیری مدل
• 28. استقرار مدل
• 29. نظارت بر مدل
• 30. به روز رسانی مدل
• 31. مقیاس پذیری در یادگیری ماشین
• 32. پردازش موازی و توزیع شده
• 33. کتابخانه ها و فریمورک های یادگیری ماشین (TensorFlow، PyTorch، Scikit-learn)
• 34. ابزارهای مدیریت داده های بزرگ (Hadoop، Spark، Kafka)
• 35. پلتفرم های ابری برای یادگیری ماشین (AWS SageMaker، Google AI Platform، Azure ML)
• 36. امنیت داده ها در یادگیری ماشین
• 37. حریم خصوصی داده ها
• 38. اخلاق در یادگیری ماشین
• 39. سوگیری در داده ها و مدل ها
• 40. تشخیص ناهنجاری (Anomaly Detection)
• 41. شناخت الگو (Pattern Recognition)
• 42. طبقه بندی (Classification)
• 43. رگرسیون (Regression)
• 44. خوشه بندی (Clustering)
• 45. کاهش ابعاد (Dimensionality Reduction)
• 46. یادگیری انتقالی (Transfer Learning)
• 47. یادگیری عمیق برای پردازش زبان طبیعی (NLP)
• 48. یادگیری عمیق برای بینایی ماشین (Computer Vision)
• 49. یادگیری عمیق برای سیستم های توصیه گر (Recommender Systems)
• 50. یادگیری تقویتی (Reinforcement Learning)
• 51. یادگیری ماشین در اینترنت اشیا (IoT)
• 52. یادگیری ماشین در تحلیل شبکه های اجتماعی
• 53. یادگیری ماشین در تحلیل داده های مالی
• 54. یادگیری ماشین در تحلیل داده های پزشکی
• 55. یادگیری ماشین در تحلیل داده های بازاریابی
• 56. یادگیری ماشین در اتوماسیون فرایندهای کسب و کار
• 57. یادگیری ماشین در مدیریت ریسک
• 58. یادگیری ماشین در کشف تقلب
• 59. یادگیری ماشین در پیش بینی تقاضا
• 60. یادگیری ماشین در بهینه سازی عملیات
• 61. یادگیری ماشین در پردازش جریان داده (Stream Processing)
• 62. یادگیری ماشین در تحلیل کلان داده های جغرافیایی (Geospatial Big Data)
• 63. یادگیری ماشین در بلاکچین و داده های توزیع شده
• 64. یادگیری ماشین در داده های صوتی
• 65. یادگیری ماشین در داده های متنی
• 66. یادگیری ماشین در داده های تصویری
• 67. یادگیری ماشین در داده های ویدیویی
• 68. یادگیری ماشین در داده های حسگر
• 69. مدیریت داده های غیرساخت یافته
• 70. مدیریت داده های نیمه ساخت یافته
• 71. مدیریت داده های ساخت یافته
• 72. استخراج اطلاعات از داده های بزرگ
• 73. کشف دانش از داده های بزرگ
• 74. داده کاوی (Data Mining)
• 75. تحلیل پیشگویانه (Predictive Analytics)
• 76. تحلیل توصیفی (Descriptive Analytics)
• 77. تحلیل تجویزی (Prescriptive Analytics)
• 78. معماری های داده های بزرگ برای یادگیری ماشین
• 79. پایپ لاین های داده های بزرگ برای یادگیری ماشین
• 80. مخازن داده های بزرگ (Data Lakes)
• 81. دریاچه های داده (Data Warehouses)
• 82. پایگاه های داده ستونی (Columnar Databases)
• 83. پایگاه های داده گرافی (Graph Databases)
• 84. پایگاه های داده کلید-مقدار (Key-Value Stores)
• 85. پایگاه های داده سند گرا (Document Databases)
• 86. فناوری های پردازش موازی (Parallel Processing Technologies)
• 87. فناوری های پردازش توزیع شده (Distributed Processing Technologies)
• 88. سیستم های فایل توزیع شده (Distributed File Systems)
• 89. سیستم های پیام رسانی (Messaging Systems)
• 90. فریمورک های پردازش جریانی (Stream Processing Frameworks)
• 91. نرم افزارهای مدیریت داده های بزرگ (Big Data Management Software)
• 92. ابزارهای تجسم داده های بزرگ (Big Data Visualization Tools)
• 93. ابزارهای آماده سازی داده ها (Data Preparation Tools)
• 94. ابزارهای مهندسی ویژگی (Feature Engineering Tools)
• 95. ابزارهای تنظیم هایپرپارامترها (Hyperparameter Tuning Tools)
• 96. ابزارهای استقرار مدل (Model Deployment Tools)
• 97. ابزارهای نظارت بر مدل (Model Monitoring Tools)
• 98. ابزارهای مدیریت چرخه عمر مدل (Model Lifecycle Management Tools)
• 99. مفاهیم اساسی آمار برای یادگیری ماشین
• 100. مفاهیم اساسی جبر خطی برای یادگیری ماشین