فلش‌کارت‌های آموزشی آموزش عملی مدل‌های یادگیری ماشین با Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش عملی 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. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و حوزه‌های هوش مصنوعی
• 5. مروری بر پلتفرم‌های ابری برای یادگیری ماشین
• 6. معرفی Amazon SageMaker
• 7. ساختار کلی پروژه یادگیری ماشین
• 8. مراحل توسعه مدل یادگیری ماشین
• 9. آماده‌سازی داده‌ها برای آموزش مدل
• 10. جمع‌آوری و پاکسازی داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب و تقسیم داده‌ها (آموزش، اعتبارسنجی، تست)
• 13. نصب و پیکربندی AWS CLI و SDK
• 14. ایجاد حساب کاربری AWS
• 15. مفاهیم اولیه سرویس‌های AWS مرتبط
• 16. مقدمه‌ای بر Amazon SageMaker Studio
• 17. راه‌اندازی محیط SageMaker Studio
• 18. ناوبری و قابلیت‌های SageMaker Studio
• 19. کار با نوت‌بوک‌های Jupyter در SageMaker
• 20. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 21. رگرسیون خطی و منطقی
• 22. درختان تصمیم و جنگل‌های تصادفی
• 23. ماشین‌های بردار پشتیبان (SVM)
• 24. خوشه‌بندی K-Means
• 25. شبکه‌های عصبی مصنوعی (ANN)
• 26. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 27. شبکه‌های عصبی کانولوشنال (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. مفاهیم آموزش مدل در SageMaker
• 30. انتخاب الگوریتم مناسب برای مسئله
• 31. تعریف و پیکربندی وظایف آموزش (Training Jobs)
• 32. استفاده از الگوریتم‌های داخلی SageMaker
• 33. آموزش مدل با استفاده از اسکریپت‌های سفارشی
• 34. استقرار مدل‌های آموزش دیده
• 35. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 36. ایجاد نقطه پایانی (Endpoint) برای مدل
• 37. استقرار مدل به صورت Real-time
• 38. استقرار مدل به صورت Batch Transform
• 39. مدیریت نقاط پایانی SageMaker
• 40. مانیتورینگ و ارزیابی عملکرد مدل
• 41. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 42. نمودارهای ROC و منحنی Precision-Recall
• 43. مانیتورینگ مدل در حال اجرا
• 44. تشخیص انحراف داده (Data Drift)
• 45. تشخیص انحراف مدل (Model Drift)
• 46. بهینه‌سازی مدل و تنظیم پارامترها
• 47. جستجوی خودکار هایپرپارامترها (Hyperparameter Tuning)
• 48. تنظیم پارامترهای الگوریتم‌ها
• 49. استفاده از Grid Search و Random Search
• 50. کاربرد SageMaker Model Monitor
• 51. مدیریت چرخه عمر مدل (MLOps)
• 52. مفاهیم MLOps
• 53. ابزارهای MLOps در SageMaker
• 54. خودکارسازی پایپ‌لاین‌های یادگیری ماشین
• 55. مدیریت نسخه مدل‌ها (Model Versioning)
• 56. استقرار مدل‌های چندگانه و A/B Testing
• 57. امنیت در SageMaker
• 58. مدیریت دسترسی و مجوزها (IAM)
• 59. رمزگذاری داده‌ها در SageMaker
• 60. امنیت شبکه و VPCها
• 61. پایپ‌لاین‌های پردازش داده در SageMaker
• 62. SageMaker Data Wrangler
• 63. ایجاد و اجرای پایپ‌لاین‌های پردازش داده
• 64. استفاده از SageMaker Pipelines
• 65. پایپ‌لاین‌های آموزش و استقرار مدل
• 66. مدیریت و اتوماسیون وظایف
• 67. کاربرد SageMaker Ground Truth
• 68. برچسب‌گذاری داده‌ها برای آموزش
• 69. انواع وظایف برچسب‌گذاری
• 70. مدیریت تیم‌های برچسب‌گذاری
• 71. استفاده از SageMaker Feature Store
• 72. مدیریت و اشتراک‌گذاری ویژگی‌ها
• 73. ساخت و استفاده از Feature Groups
• 74. یکپارچگی Feature Store با آموزش و استقرار
• 75. مقدمه‌ای بر یادگیری تقویتی در SageMaker
• 76. مفاهیم یادگیری تقویتی
• 77. استفاده از SageMaker RL
• 78. ساخت محیط‌های شبیه‌سازی شده
• 79. آموزش عامل‌های یادگیری تقویتی
• 80. استقرار عامل‌های یادگیری تقویتی
• 81. کاربرد SageMaker Clarify
• 82. تشخیص سوگیری (Bias) در مدل‌ها
• 83. توضیح‌پذیری مدل (Model Explainability)
• 84. تحلیل تأثیر ویژگی‌ها بر پیش‌بینی‌ها
• 85. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 86. استفاده از مدل‌های از پیش آموزش دیده
• 87. تنظیم دقیق (Fine-tuning) مدل‌ها
• 88. کاربردها در پردازش زبان طبیعی
• 89. کاربردها در بینایی ماشین
• 90. مباحث پیشرفته در SageMaker
• 91. SageMaker Autopilot
• 92. ایجاد خودکار مدل‌های یادگیری ماشین
• 93. تحلیل و انتخاب بهترین مدل
• 94. SageMaker JumpStart
• 95. استفاده از راه‌حل‌های آماده
• 96. مدل‌های از پیش آموزش دیده و دیتاست‌ها
• 97. سفارشی‌سازی راه‌حل‌های JumpStart
• 98. جمع‌بندی و بهترین شیوه‌ها
• 99. مروری بر کل دوره
• 100. نکات کلیدی برای توسعه موفق مدل