فلش‌کارت‌های آموزشی ساخت و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از ابزارهای ابری (Amazon SageMaker)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از ابزارهای ابری (Amazon SageMaker)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: آموزش مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. کاربردها و مزایای یادگیری ماشین
• 3. مبانی آماری و ریاضی یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. مراحل کلی ساخت مدل یادگیری ماشین
• 6. معرفی پلتفرم‌های ابری برای یادگیری ماشین
• 7. آشنایی با Amazon SageMaker
• 8. نصب و پیکربندی محیط SageMaker
• 9. مفاهیم کلیدی در SageMaker: Notebook Instances, Training Jobs, Endpoints
• 10. انتخاب مجموعه داده مناسب برای آموزش مدل
• 11. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 12. مهندسی ویژگی: انتخاب و ایجاد ویژگی‌های مؤثر
• 13. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و تست
• 14. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین نظارت شده
• 15. رگرسیون خطی و کاربردهای آن
• 16. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 17. درختان تصمیم و نحوه کارکرد آن‌ها
• 18. جنگل‌های تصادفی و بهبود عملکرد مدل
• 19. ماشین‌های بردار پشتیبان (SVM)
• 20. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین بدون نظارت
• 21. خوشه‌بندی K-Means
• 22. تحلیل مؤلفه‌های اصلی (PCA)
• 23. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 24. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 25. آشنایی با فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 26. استفاده از SageMaker برای آموزش مدل‌های یادگیری عمیق
• 27. آموزش مدل‌های شبکه‌های عصبی کانولوشنی (CNN)
• 28. کاربرد CNN در پردازش تصویر
• 29. آموزش مدل‌های شبکه‌های عصبی بازگشتی (RNN)
• 30. کاربرد RNN در پردازش زبان طبیعی
• 31. مفاهیم بهینه‌سازی مدل‌های یادگیری ماشین
• 32. انتخاب تابع هزینه مناسب
• 33. بهینه‌سازها: گرادیان کاهشی و انواع آن
• 34. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. تکنیک‌های منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 37. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 38. ارزیابی عملکرد مدل‌های طبقه‌بندی
• 39. معیارهای ارزیابی: دقت، صحت، بازیابی، امتیاز F1
• 40. ماتریس درهم‌ریختگی (Confusion Matrix)
• 41. منحنی ROC و سطح زیر منحنی (AUC)
• 42. ارزیابی عملکرد مدل‌های رگرسیون
• 43. میانگین مربعات خطا (MSE)
• 44. میانگین قدر مطلق خطا (MAE)
• 45. ضریب تعیین (R-squared)
• 46. استقرار مدل‌های یادگیری ماشین در SageMaker
• 47. ایجاد نقاط پایانی (Endpoints) برای استقرار مدل
• 48. پیش‌بینی بلادرنگ با استفاده از SageMaker Endpoints
• 49. پیش‌بینی دسته‌ای (Batch Transform)
• 50. مانیتورینگ عملکرد مدل مستقر شده
• 51. به‌روزرسانی مدل‌های مستقر شده
• 52. امنیت در SageMaker و مدیریت دسترسی
• 53. مدیریت هزینه‌ها در SageMaker
• 54. کاربرد SageMaker در پردازش زبان طبیعی (NLP)
• 55. تحلیل احساسات با استفاده از مدل‌های NLP
• 56. شناسایی موجودیت نام‌گذاری شده (NER)
• 57. ترجمه ماشینی با SageMaker
• 58. کاربرد SageMaker در پردازش تصویر
• 59. تشخیص اشیاء در تصاویر
• 60. بخش‌بندی تصاویر
• 61. تولید تصویر با استفاده از مدل‌های مولد
• 62. یادگیری تقویتی در SageMaker
• 63. مقدمه‌ای بر یادگیری تقویتی
• 64. کاربرد یادگیری تقویتی در بهینه‌سازی فرآیندها
• 65. ساخت ربات‌های هوشمند با SageMaker
• 66. استفاده از SageMaker Studio برای تجربه یکپارچه
• 67. مدیریت پروژه‌ها در SageMaker Studio
• 68. همکاری تیمی در SageMaker
• 69. آزمایشگاه‌ها و نمونه‌کدهای عملی در SageMaker
• 70. ساخت مدل پیش‌بینی قیمت مسکن
• 71. ساخت مدل تشخیص اسپم ایمیل
• 72. ساخت مدل پیشنهاد دهنده محصول
• 73. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 74. کاربرد LLMs در SageMaker
• 75. تنظیم دقیق (Fine-tuning) LLMs برای وظایف خاص
• 76. ملاحظات اخلاقی در هوش مصنوعی
• 77. سوگیری در داده‌ها و مدل‌ها
• 78. شفافیت و توضیح‌پذیری مدل‌ها
• 79. حریم خصوصی داده‌ها در یادگیری ماشین
• 80. تأثیر هوش مصنوعی بر بازار کار
• 81. آینده هوش مصنوعی و یادگیری ماشین
• 82. مروری بر ابزارهای جدید در SageMaker
• 83. بهینه‌سازی مصرف منابع در SageMaker
• 84. استفاده از SageMaker برای ساخت سیستم‌های توصیه‌گر
• 85. ساخت سیستم توصیه‌گر فیلم
• 86. ساخت سیستم توصیه‌گر موسیقی
• 87. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 88. کاربرد یادگیری فدرال در SageMaker
• 89. پروژه‌های پیشرفته با SageMaker
• 90. ساخت مدل‌های تشخیص ناهنجاری
• 91. کاربرد SageMaker در مراقبت‌های بهداشتی
• 92. تحلیل داده‌های پزشکی با SageMaker
• 93. ساخت مدل پیش‌بینی بیماری
• 94. جمع‌بندی و گام‌های بعدی در یادگیری ماشین