فلش‌کارت‌های آموزشی یادگیری ماشین روی Hadoop: از تئوری تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین روی Hadoop: از تئوری تا پیاده‌سازی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Hadoop

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کلان داده
• 2. معرفی اکوسیستم Hadoop و اجزای آن
• 3. آشنایی با Hadoop Distributed File System (HDFS)
• 4. مدیریت منابع با YARN
• 5. کار با MapReduce برای پردازش توزیع‌شده
• 6. مفاهیم اولیه یادگیری ماشین
• 7. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 8. پیش‌پردازش داده‌ها در مقیاس کلان
• 9. پاک‌سازی و نرمال‌سازی داده‌ها در Hadoop
• 10. نمونه‌سازی و انتخاب ویژگی در داده‌های حجیم
• 11. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
• 12. پیاده‌سازی رگرسیون خطی با MapReduce
• 13. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
• 14. پیاده‌سازی رگرسیون لجستیک با MapReduce
• 15. ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی
• 16. پیاده‌سازی SVM با MapReduce
• 17. درختان تصمیم و جنگل‌های تصادفی
• 18. پیاده‌سازی درختان تصمیم با MapReduce
• 19. یادگیری بدون نظارت: خوشه‌بندی
• 20. الگوریتم K-Means در Hadoop
• 21. پیاده‌سازی K-Means با MapReduce
• 22. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 23. پیاده‌سازی PCA با MapReduce
• 24. یادگیری عمیق و شبکه‌های عصبی
• 25. شبکه‌های عصبی کانولوشنی (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. معرفی Spark برای پردازش سریع‌تر داده
• 28. Spark Core و RDDs
• 29. Spark SQL و DataFrames
• 30. Spark Streaming برای پردازش بلادرنگ
• 31. MLlib: کتابخانه یادگیری ماشین Spark
• 32. پیاده‌سازی مدل‌های یادگیری ماشین با MLlib
• 33. رگرسیون خطی با MLlib
• 34. رگرسیون لجستیک با MLlib
• 35. ماشین‌های بردار پشتیبان با MLlib
• 36. درختان تصمیم و جنگل‌های تصادفی با MLlib
• 37. خوشه‌بندی با MLlib (K-Means)
• 38. کاهش ابعاد با MLlib (PCA)
• 39. معرفی الگوریتم‌های یادگیری عمیق در Spark
• 40. پیاده‌سازی CNN با Spark
• 41. پیاده‌سازی RNN با Spark
• 42. بهینه‌سازی مدل‌های یادگیری ماشین روی Hadoop/Spark
• 43. ارزیابی مدل‌ها و معیارهای عملکرد
• 44. اعتبارسنجی متقابل و تنظیم ابرپارامترها
• 45. پردازش زبان طبیعی (NLP) در مقیاس کلان
• 46. مدل‌سازی موضوعی با LDA
• 47. پردازش متن با Spark NLP
• 48. یادگیری تقویتی و کاربردهای آن
• 49. معرفی الگوریتم‌های یادگیری تقویتی
• 50. پیاده‌سازی الگوریتم‌های یادگیری تقویتی با Spark
• 51. سیستم‌های توصیه‌گر
• 52. فیلترینگ مبتنی بر محتوا
• 53. فیلترینگ مشارکتی
• 54. پیاده‌سازی سیستم‌های توصیه‌گر با Spark MLlib
• 55. یادگیری ماشین روی داده‌های سری زمانی
• 56. مدل‌های ARIMA و GARCH
• 57. پیاده‌سازی مدل‌های سری زمانی با Spark
• 58. شبکه‌های عصبی گراف (GNNs)
• 59. مقدمه‌ای بر GNNs
• 60. کاربرد GNNs در تحلیل شبکه‌ها
• 61. پیاده‌سازی GNNs با Spark
• 62. یادگیری ماشین برای تحلیل شبکه‌های اجتماعی
• 63. شناسایی جوامع در شبکه‌ها
• 64. پیش‌بینی پیوندها در شبکه‌ها
• 65. امنیت داده‌ها و حریم خصوصی در Hadoop
• 66. رمزنگاری و کنترل دسترسی در Hadoop
• 67. اصول حاکمیت داده در محیط کلان داده
• 68. کاربرد هوش مصنوعی در بهبود فرآیندهای کسب‌وکار
• 69. تحلیل داده‌های مشتری و شخصی‌سازی
• 70. بهینه‌سازی زنجیره تأمین با یادگیری ماشین
• 71. پیش‌بینی تقاضا با مدل‌های مقیاس‌پذیر
• 72. اتوماسیون فرآیندهای هوشمند
• 73. مقدمه‌ای بر رباتیک و اتوماسیون هوشمند
• 74. کاربرد یادگیری ماشین در رباتیک
• 75. سیستم‌های خودران و ناوبری هوشمند
• 76. اخلاق در هوش مصنوعی و یادگیری ماشین
• 77. سوگیری در الگوریتم‌ها و راهکارهای مقابله
• 78. شفافیت و قابلیت تفسیر مدل‌ها
• 79. مسئولیت‌پذیری در سیستم‌های هوشمند
• 80. یادگیری ماشین روی داده‌های اینترنت اشیاء (IoT)
• 81. جمع‌آوری و پردازش داده‌های IoT
• 82. مدل‌سازی پیش‌بینانه برای دستگاه‌های IoT
• 83. تشخیص ناهنجاری در داده‌های IoT
• 84. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 85. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 86. پیاده‌سازی اولیه یادگیری فدرال
• 87. یادگیری ماشین برای تحلیل داده‌های مالی
• 88. تشخیص تقلب در تراکنش‌ها
• 89. پیش‌بینی قیمت سهام با مدل‌های مقیاس‌پذیر
• 90. مدل‌سازی ریسک اعتباری
• 91. کاربرد هوش مصنوعی در خدمات بهداشتی و درمانی
• 92. تشخیص بیماری با استفاده از تصاویر پزشکی
• 93. پیش‌بینی شیوع بیماری‌ها
• 94. شخصی‌سازی درمان با یادگیری ماشین
• 95. یادگیری ماشین در کشاورزی دقیق
• 96. پیش‌بینی عملکرد محصولات
• 97. مدیریت بهینه منابع آب و کود
• 98. تشخیص آفات و بیماری‌های گیاهی
• 99. کلام آخر: آینده یادگیری ماشین در اکوسیستم کلان داده