فلش‌کارت‌های آموزشی مهندسی و مدیریت چرخه حیات یادگیری ماشین در ابر با TensorFlow Extended، Cloud Composer و MLflow

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی و مدیریت چرخه حیات یادگیری ماشین در ابر با TensorFlow Extended، Cloud Composer و MLflow

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مهندسی یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. چرخه حیات پروژه یادگیری ماشین
• 4. مقدمه ای بر TensorFlow Extended (TFX)
• 5. مزایای TFX در مهندسی ML
• 6. مولفه‌های اصلی TFX
• 7. توسعه اولین پایپ‌لاین TFX
• 8. آماده‌سازی داده‌ها با TFX Transform
• 9. آموزش مدل با TFX Trainer
• 10. ارزیابی مدل با TFX Evaluator
• 11. اعتبارسنجی مدل با TFX Validator
• 12. استقرار مدل با TFX Pusher
• 13. مقدمه ای بر Google Cloud Composer
• 14. Cloud Composer چیست؟
• 15. کاربردهای Cloud Composer در ML
• 16. اتصال Cloud Composer به TFX
• 17. ایجاد پایپ‌لاین‌های ارکستره شده با Composer
• 18. زمان‌بندی اجرای پایپ‌لاین‌ها
• 19. مدیریت وابستگی‌ها در Composer
• 20. مانیتورینگ پایپ‌لاین‌ها در Composer
• 21. مقدمه ای بر MLflow
• 22. کاربردهای MLflow در مدیریت چرخه حیات ML
• 23. ردیابی آزمایش‌ها با MLflow Tracking
• 24. مدیریت مدل‌ها با MLflow Models
• 25. استقرار مدل‌ها با MLflow Deployments
• 26. همگام‌سازی TFX و MLflow
• 27. استفاده از MLflow برای ردیابی پایپ‌لاین‌های TFX
• 28. مدیریت نسخه‌های مدل با MLflow
• 29. بهینه‌سازی پایپ‌لاین‌های TFX
• 30. مقیاس‌پذیری پایپ‌لاین‌های ML در ابر
• 31. ملاحظات امنیتی در استقرار ML
• 32. مدیریت منابع در Google Cloud
• 33. بهینه‌سازی هزینه در پروژه‌های ML ابری
• 34. مقدمه ای بر MLOps
• 35. اصول MLOps
• 36. پیاده‌سازی MLOps با TFX و Composer
• 37. استفاده از Docker و Kubernetes در MLOps
• 38. خودکارسازی استقرار مدل
• 39. نظارت بر عملکرد مدل پس از استقرار
• 40. تشخیص انحراف داده و مدل
• 41. بازآموزی خودکار مدل‌ها
• 42. تست در چرخه حیات ML
• 43. کیفیت داده و تأثیر آن بر مدل
• 44. روش‌های پیش‌پردازش داده برای ML
• 45. مهندسی ویژگی با TFX Transform
• 46. انتخاب الگوریتم‌های مناسب برای آموزش
• 47. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 48. ارزیابی عمیق مدل‌ها
• 49. تکنیک‌های اعتبارسنجی متقابل (Cross-validation)
• 50. تفسیرپذیری مدل‌های ML
• 51. مقدمه ای بر شبکه‌های عصبی
• 52. یادگیری عمیق با TensorFlow
• 53. مقدمه ای بر Keras
• 54. آموزش مدل‌های طبقه‌بندی
• 55. آموزش مدل‌های رگرسیون
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. شبکه‌های عصبی بازگشتی (RNN)
• 58. پردازش زبان طبیعی (NLP)
• 59. کاربرد TFX در پروژه‌های NLP
• 60. کاربرد Composer در ارکستراسیون NLP
• 61. کاربرد MLflow در مدیریت مدل‌های NLP
• 62. مقدمه ای بر بینایی ماشین
• 63. کاربرد TFX در پروژه‌های بینایی ماشین
• 64. کاربرد Composer در ارکستراسیون بینایی ماشین
• 65. کاربرد MLflow در مدیریت مدل‌های بینایی ماشین
• 66. سیستم‌های توصیه‌گر
• 67. کاربرد TFX در سیستم‌های توصیه‌گر
• 68. کاربرد Composer در سیستم‌های توصیه‌گر
• 69. کاربرد MLflow در سیستم‌های توصیه‌گر
• 70. مدیریت داده‌های حجیم (Big Data)
• 71. یکپارچه‌سازی TFX با BigQuery
• 72. یکپارچه‌سازی Composer با Dataflow
• 73. یکپارچه‌سازی MLflow با Spark
• 74. ملاحظات اخلاقی در هوش مصنوعی
• 75. سوگیری در داده‌ها و مدل‌ها
• 76. کاهش سوگیری در مدل‌های ML
• 77. مسئولیت‌پذیری در هوش مصنوعی
• 78. حریم خصوصی داده‌ها در ML
• 79. قوانین و مقررات مربوط به هوش مصنوعی
• 80. آینده مهندسی یادگیری ماشین
• 81. روندهای نوین در MLOps
• 82. ابزارهای جدید در اکوسیستم ML
• 83. یادگیری تقویتی
• 84. یادگیری بدون نظارت
• 85. یادگیری نیمه‌نظارتی
• 86. یادگیری ترکیبی (Hybrid Learning)
• 87. معماری‌های پیشرفته مدل
• 88. بهینه‌سازی مدل برای استقرار در لبه (Edge Deployment)
• 89. پایپ‌لاین‌های ML برای داده‌های سری زمانی
• 90. تحلیل داده‌های گراف (Graph Data Analysis)
• 91. مدل‌های تولیدکننده (Generative Models)
• 92. مقدمه ای بر یادگیری فدرال (Federated Learning)
• 93. استقرار مدل‌های ML در مقیاس بزرگ
• 94. مدیریت چرخه حیات مدل در محیط‌های چند ابری (Multi-cloud)
• 95. استفاده از خدمات مدیریت شده Google Cloud برای ML
• 96. بهبود همکاری بین تیم‌های ML
• 97. مستندسازی پایپ‌لاین‌های ML
• 98. مدیریت دانش در پروژه‌های ML
• 99. ارزیابی مداوم و بهبود مدل‌ها
• 100. نقش مهندسی داده در ML