فلش‌کارت‌های آموزشی آموزش مدل با استفاده از Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل با استفاده از 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. کاربرد یادگیری ماشین در صنعت
• 5. معرفی Amazon SageMaker
• 6. مزایای استفاده از Amazon SageMaker
• 7. ساختار کلی Amazon SageMaker
• 8. آماده‌سازی محیط توسعه برای SageMaker
• 9. نصب ابزارهای لازم
• 10. اتصال به AWS
• 11. ایجاد حساب کاربری AWS
• 12. تنظیمات امنیتی IAM
• 13. مفاهیم اولیه مدل‌های یادگیری ماشین
• 14. ویژگی‌ها (Features) و برچسب‌ها (Labels)
• 15. مجموعه داده‌ها (Datasets)
• 16. تقسیم داده‌ها: آموزش، اعتبارسنجی، تست
• 17. پیش‌پردازش داده‌ها
• 18. پاکسازی داده‌ها
• 19. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 20. کدگذاری متغیرهای دسته‌ای (Categorical Encoding)
• 21. مهندسی ویژگی (Feature Engineering)
• 22. انتخاب الگوریتم مناسب
• 23. دسته‌بندی (Classification)
• 24. رگرسیون (Regression)
• 25. خوشه‌بندی (Clustering)
• 26. معرفی الگوریتم‌های رایج
• 27. رگرسیون خطی (Linear Regression)
• 28. رگرسیون لجستیک (Logistic Regression)
• 29. ماشین‌های بردار پشتیبان (SVM)
• 30. درخت‌های تصمیم (Decision Trees)
• 31. جنگل‌های تصادفی (Random Forests)
• 32. شبکه‌های عصبی (Neural Networks)
• 33. یادگیری عمیق (Deep Learning)
• 34. معرفی SageMaker Built-in Algorithms
• 35. آموزش مدل با الگوریتم‌های آماده SageMaker
• 36. تنظیم پارامترهای آموزش
• 37. انتخاب Instance Type مناسب
• 38. مدیریت و ذخیره‌سازی مدل‌های آموزش دیده
• 39. استقرار (Deployment) مدل‌ها
• 40. ایجاد Endpoint برای پیش‌بینی
• 41. پیش‌بینی با استفاده از Endpoint
• 42. مدیریت Endpointها
• 43. مقیاس‌پذیری Endpointها
• 44. نظارت بر عملکرد مدل (Monitoring)
• 45. متریک‌های ارزیابی مدل
• 46. خطای میانگین مربعات (MSE)
• 47. دقت (Accuracy)
• 48. صحت (Precision) و بازیابی (Recall)
• 49. امتیاز F1
• 50. ارزیابی مدل در SageMaker
• 51. تنظیم مجدد مدل (Retraining)
• 52. اهمیت به‌روزرسانی مدل
• 53. فرآیند تنظیم مجدد مدل
• 54. مدیریت نسخه مدل‌ها
• 55. استفاده از SageMaker Experiments
• 56. پیگیری و مقایسه آزمایش‌ها
• 57. ثبت هایپرپارامترها و متریک‌ها
• 58. SageMaker Pipelines
• 59. اتوماسیون گردش کار یادگیری ماشین
• 60. ساخت و اجرای پایپ‌لاین‌ها
• 61. یکپارچه‌سازی با سایر سرویس‌های AWS
• 62. SageMaker Ground Truth
• 63. برچسب‌گذاری داده‌ها
• 64. تیم‌های برچسب‌گذاری
• 65. SageMaker Debugger
• 66. عیب‌یابی فرآیند آموزش
• 67. تحلیل و رفع مشکلات
• 68. SageMaker Model Monitor
• 69. نظارت بر انحراف داده‌ها (Data Drift)
• 70. نظارت بر انحراف مدل (Model Drift)
• 71. تنظیم هشدارها
• 72. SageMaker Clarify
• 73. تفسیرپذیری مدل (Model Interpretability)
• 74. شناسایی سوگیری (Bias) در مدل
• 75. توضیح پیش‌بینی‌های مدل
• 76. امنیت در SageMaker
• 77. مدیریت دسترسی‌ها
• 78. رمزنگاری داده‌ها
• 79. حفاظت از مدل‌ها
• 80. کاربرد SageMaker در پروژه‌های واقعی
• 81. مثال: پیش‌بینی فروش
• 82. مثال: تشخیص تصویر
• 83. مثال: پردازش زبان طبیعی
• 84. بهترین شیوه‌ها در استفاده از SageMaker
• 85. بهینه‌سازی هزینه‌ها
• 86. مدیریت منابع
• 87. مقیاس‌پذیری راهکارها
• 88. آینده هوش مصنوعی و یادگیری ماشین
• 89. روندهای جدید
• 90. نقش SageMaker در آینده
• 91. ملاحظات اخلاقی در هوش مصنوعی
• 92. مسئولیت‌پذیری در توسعه مدل
• 93. حفظ حریم خصوصی داده‌ها
• 94. توسعه هوش مصنوعی برای منافع جامعه
• 95. جمع‌بندی مباحث