فلش‌کارت‌های آموزشی ساخت و استقرار خطوط لوله یادگیری ماشین در Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار خطوط لوله یادگیری ماشین در Google Cloud

موضوع کلی: هوش مصنوعی و یادگیری ماشین در محیط ابری

موضوع میانی: پیاده‌سازی خطوط لوله یادگیری ماشین در Google Cloud

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین در محیط ابری
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. کاربردهای هوش مصنوعی و یادگیری ماشین
• 4. مزایای استفاده از محیط ابری برای یادگیری ماشین
• 5. معرفی Google Cloud Platform (GCP)
• 6. آشنایی با سرویس‌های کلیدی GCP برای یادگیری ماشین
• 7. مبانی ساخت خطوط لوله (Pipelines)
• 8. اهمیت خطوط لوله در چرخه عمر یادگیری ماشین
• 9. معماری یک خط لوله یادگیری ماشین
• 10. مراحل اصلی یک خط لوله یادگیری ماشین
• 11. داده‌کاوی و پیش‌پردازش داده‌ها در GCP
• 12. ابزارهای GCP برای مدیریت و آماده‌سازی داده
• 13. انتخاب و مهندسی ویژگی‌ها
• 14. نکات مهم در انتخاب ویژگی‌ها
• 15. آموزش مدل‌های یادگیری ماشین
• 16. چارچوب‌های محبوب آموزش مدل (TensorFlow، PyTorch)
• 17. استفاده از AI Platform Training در GCP
• 18. تنظیم و بهینه‌سازی پارامترهای مدل
• 19. ارزیابی مدل‌های یادگیری ماشین
• 20. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 21. معیارهای ارزیابی مدل‌های رگرسیون
• 22. مدیریت نسخه مدل‌ها
• 23. ذخیره‌سازی و ردیابی مدل‌ها
• 24. استقرار مدل‌های یادگیری ماشین
• 25. روش‌های مختلف استقرار مدل
• 26. استقرار مدل با AI Platform Prediction
• 27. نظارت بر عملکرد مدل مستقر شده
• 28. تشخیص افت عملکرد مدل
• 29. بازآموزی مدل‌ها
• 30. استراتژی‌های بازآموزی خودکار
• 31. مفهوم خط لوله مداوم (Continuous Pipeline)
• 32. ساخت خط لوله با Kubeflow Pipelines
• 33. مقدمه‌ای بر Kubeflow
• 34. نصب و پیکربندی Kubeflow
• 35. مبانی کامپوننت‌های Kubeflow
• 36. طراحی یک خط لوله ساده با Kubeflow
• 37. اجرای خط لوله در Kubeflow
• 38. مدیریت داده‌ها در خطوط لوله
• 39. ذخیره‌سازی داده‌ها در Cloud Storage
• 40. استفاده از BigQuery برای تحلیل داده
• 41. اتصال خطوط لوله به منابع داده
• 42. امنیت در خطوط لوله یادگیری ماشین
• 43. مدیریت دسترسی‌ها در GCP
• 44. رمزنگاری داده‌ها
• 45. نظارت و ثبت وقایع (Logging & Monitoring)
• 46. استفاده از Cloud Logging
• 47. استفاده از Cloud Monitoring
• 48. بهینه‌سازی هزینه‌ها در GCP
• 49. مدیریت منابع محاسباتی
• 50. استراتژی‌های کاهش هزینه
• 51. خطوط لوله برای پردازش زبان طبیعی (NLP)
• 52. آماده‌سازی متن برای مدل‌های NLP
• 53. آموزش مدل‌های NLP در GCP
• 54. استقرار مدل‌های NLP
• 55. خطوط لوله برای بینایی ماشین (Computer Vision)
• 56. آماده‌سازی تصاویر برای مدل‌های CV
• 57. آموزش مدل‌های CV در GCP
• 58. استقرار مدل‌های CV
• 59. خطوط لوله برای یادگیری تقویتی (Reinforcement Learning)
• 60. مبانی یادگیری تقویتی
• 61. پیاده‌سازی RL در GCP
• 62. خطوط لوله داده‌محور (Data-Centric Pipelines)
• 63. اهمیت کیفیت داده‌ها
• 64. بهبود خطوط لوله با تمرکز بر داده
• 65. خطوط لوله برای یادگیری توصیه‌گرها (Recommender Systems)
• 66. طراحی سیستم‌های توصیه‌گر
• 67. پیاده‌سازی در GCP
• 68. خطوط لوله برای تشخیص ناهنجاری (Anomaly Detection)
• 69. الگوریتم‌های تشخیص ناهنجاری
• 70. کاربردها در GCP
• 71. خطوط لوله برای پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 72. مدل‌های سری زمانی
• 73. پیاده‌سازی در GCP
• 74. خطوط لوله برای پردازش جریان داده (Stream Processing)
• 75. معرفی پردازش جریانی
• 76. ابزارهای GCP برای پردازش جریانی
• 77. یکپارچه‌سازی پردازش جریانی با خطوط لوله ML
• 78. ملاحظات مقیاس‌پذیری در خطوط لوله
• 79. تکنیک‌های مقیاس‌پذیری خودکار
• 80. مدیریت بار کاری سنگین
• 81. خطوط لوله برای یادگیری فدرال (Federated Learning)
• 82. مبانی یادگیری فدرال
• 83. پیاده‌سازی در GCP
• 84. خطوط لوله با رویکرد MLOps
• 85. اصول MLOps
• 86. چالش‌های MLOps
• 87. ابزارهای MLOps در GCP
• 88. خطوط لوله برای تست مدل‌ها
• 89. انواع تست مدل
• 90. خودکارسازی تست مدل
• 91. خطوط لوله برای توضیح‌پذیری مدل (Explainable AI)
• 92. اهمیت توضیح‌پذیری
• 93. تکنیک‌های توضیح‌پذیری در GCP
• 94. خطوط لوله برای مدیریت داده‌های حجیم (Big Data)
• 95. ابزارهای GCP برای داده‌های حجیم
• 96. یکپارچه‌سازی با خطوط لوله ML
• 97. خطوط لوله برای یادگیری عمیق (Deep Learning)
• 98. مبانی یادگیری عمیق
• 99. پیاده‌سازی در GCP
• 100. خطوط لوله برای تشخیص کلاهبرداری (Fraud Detection)