فلش‌کارت‌های آموزشی ساخت و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردهای یادگیری ماشین در صنعت
• 5. معرفی Amazon SageMaker
• 6. آشنایی با محیط SageMaker
• 7. مراحل چرخه حیات مدل یادگیری ماشین
• 8. آماده‌سازی و پیش‌پردازش داده‌ها
• 9. ذخیره‌سازی و مدیریت داده‌ها در AWS
• 10. استفاده از Amazon S3 برای داده‌ها
• 11. انتخاب الگوریتم مناسب یادگیری ماشین
• 12. مبانی الگوریتم‌های رگرسیون خطی
• 13. مبانی الگوریتم‌های رگرسیون لجستیک
• 14. مبانی الگوریتم‌های درخت تصمیم
• 15. مبانی الگوریتم‌های ماشین بردار پشتیبان (SVM)
• 16. مبانی الگوریتم‌های خوشه‌بندی K-Means
• 17. مبانی شبکه‌های عصبی مصنوعی
• 18. مبانی یادگیری عمیق
• 19. معماری‌های شبکه‌های عصبی کانولوشنی (CNN)
• 20. معماری‌های شبکه‌های عصبی بازگشتی (RNN)
• 21. آموزش مدل‌های یادگیری ماشین در SageMaker
• 22. استفاده از Notebook Instances در SageMaker
• 23. نوشتن و اجرای کد پایتون در SageMaker Notebooks
• 24. استفاده از کتابخانه‌های یادگیری ماشین (Scikit-learn, TensorFlow, PyTorch)
• 25. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 26. بهینه‌سازی ابرپارامترها با SageMaker
• 27. مدیریت آزمایش‌ها و نتایج
• 28. مقایسه مدل‌های مختلف
• 29. ارزیابی عملکرد مدل‌ها
• 30. معیارهای ارزیابی مدل‌های رگرسیون
• 31. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 32. مفاهیم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 33. روش‌های مقابله با بیش‌برازش
• 34. اعتبارسنجی متقابل (Cross-validation)
• 35. مبانی یادگیری تقویتی
• 36. استفاده از SageMaker RL
• 37. ساخت محیط‌های یادگیری تقویتی
• 38. آموزش عامل‌های یادگیری تقویتی
• 39. استقرار مدل‌های یادگیری ماشین
• 40. انواع استقرار مدل
• 41. استقرار برای پیش‌بینی دسته‌ای (Batch Transform)
• 42. استقرار برای پیش‌بینی بلادرنگ (Real-time Inference)
• 43. ساخت نقاط پایانی (Endpoints) در SageMaker
• 44. مدیریت نقاط پایانی
• 45. توسعه برنامه‌های کاربردی با استفاده از SageMaker Endpoints
• 46. مانیتورینگ عملکرد مدل مستقر شده
• 47. تشخیص انحراف داده (Data Drift)
• 48. تشخیص انحراف مدل (Model Drift)
• 49. استفاده از SageMaker Model Monitor
• 50. تنظیم هشدارها برای انحراف
• 51. امنیت در SageMaker
• 52. مدیریت دسترسی و مجوزها (IAM)
• 53. رمزنگاری داده‌ها در SageMaker
• 54. ملاحظات مربوط به داده‌های حساس
• 55. آموزش مدل‌های مقیاس‌پذیر
• 56. استفاده از SageMaker Training Jobs
• 57. مدیریت منابع محاسباتی برای آموزش
• 58. استفاده از قابلیت توزیع شده آموزش (Distributed Training)
• 59. مبانی پردازش زبان طبیعی (NLP)
• 60. کاربرد NLP در یادگیری ماشین
• 61. آموزش مدل‌های NLP با SageMaker
• 62. استفاده از SageMaker Ground Truth برای برچسب‌گذاری داده‌ها
• 63. مبانی بینایی ماشین (Computer Vision)
• 64. کاربرد بینایی ماشین در یادگیری ماشین
• 65. آموزش مدل‌های بینایی ماشین با SageMaker
• 66. استفاده از SageMaker JumpStart
• 67. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 68. توسعه پایپ‌لاین‌های یادگیری ماشین
• 69. استفاده از SageMaker Pipelines
• 70. اتوماسیون فرآیندهای ML
• 71. مدیریت نسخه مدل‌ها
• 72. استقرار خودکار مدل‌ها
• 73. مبانی مدل‌های تولیدی (Generative Models)
• 74. معرفی مدل‌های زبانی بزرگ (LLMs)
• 75. کاربرد LLMs در SageMaker
• 76. تنظیم دقیق (Fine-tuning) LLMs
• 77. ملاحظات اخلاقی در هوش مصنوعی
• 78. سوگیری در الگوریتم‌ها
• 79. شفافیت و توضیح‌پذیری مدل‌ها
• 80. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 81. حریم خصوصی داده‌ها در هوش مصنوعی
• 82. چارچوب‌های قانونی و مقرراتی برای هوش مصنوعی در ایران
• 83. اصول و مبانی فقهی در اقتصاد دیجیتال
• 84. بانکداری بدون ربا در عصر دیجیتال
• 85. عقود اسلامی در قراردادهای هوش مصنوعی
• 86. ملاحظات شرعی در استفاده از داده‌ها
• 87. تولید محتوای آموزشی سازگار با قوانین جمهوری اسلامی ایران
• 88. اصول طراحی رابط کاربری کاربرپسند
• 89. استانداردهای فنی توسعه نرم‌افزار
• 90. مدیریت پروژه در پروژه‌های هوش مصنوعی
• 91. برنامه‌ریزی و زمان‌بندی پروژه‌ها
• 92. مدیریت ریسک در پروژه‌های ML
• 93. تیم‌سازی و مدیریت منابع انسانی
• 94. ارتباط موثر با ذینفعان
• 95. ارائه نتایج و گزارش‌دهی
• 96. آینده هوش مصنوعی و یادگیری ماشین
• 97. روندهای نوظهور در ML
• 98. تاثیر هوش مصنوعی بر جامعه و اقتصاد
• 99. آموزش مداوم و به‌روزرسانی دانش در حوزه ML