فلش‌کارت‌های آموزشی ساخت و استقرار مدل‌های یادگیری ماشین در ابر گوگل با رویکرد CI/CD و Vertex AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین در ابر گوگل با رویکرد CI/CD و Vertex AI

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین و توسعه پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. اصول یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مفاهیم کلیدی یادگیری ماشین
• 8. ویژگی‌ها و برچسب‌ها
• 9. مدل‌ها و الگوریتم‌ها
• 10. ارزیابی مدل
• 11. مقدمه‌ای بر توسعه پلتفرم‌های ابری
• 12. مفهوم ابر گوگل (Google Cloud)
• 13. خدمات کلیدی ابر گوگل
• 14. محاسبات در ابر گوگل
• 15. ذخیره‌سازی در ابر گوگل
• 16. شبکه‌سازی در ابر گوگل
• 17. امنیت در ابر گوگل
• 18. مقدمه‌ای بر مهندسی یادگیری ماشین
• 19. چرخه عمر یادگیری ماشین
• 20. جمع‌آوری و آماده‌سازی داده‌ها
• 21. پاکسازی و پیش‌پردازش داده‌ها
• 22. مهندسی ویژگی
• 23. انتخاب ویژگی
• 24. توسعه مدل
• 25. آموزش مدل
• 26. اعتبارسنجی مدل
• 27. تنظیم هایپرپارامترها
• 28. استقرار مدل
• 29. نظارت بر مدل
• 30. مدیریت مدل
• 31. مقدمه‌ای بر CI/CD در یادگیری ماشین
• 32. اصول Continuous Integration (CI)
• 33. اصول Continuous Delivery/Deployment (CD)
• 34. پیاده‌سازی CI/CD برای پروژه‌های یادگیری ماشین
• 35. ابزارهای CI/CD
• 36. مقدمه‌ای بر Vertex AI
• 37. قابلیت‌های Vertex AI
• 38. مدیریت داده در Vertex AI
• 39. آموزش مدل با Vertex AI
• 40. ارزیابی مدل با Vertex AI
• 41. تنظیم هایپرپارامتر با Vertex AI
• 42. استقرار مدل با Vertex AI
• 43. نظارت بر مدل با Vertex AI
• 44. مدیریت مدل با Vertex AI
• 45. مقدمه‌ای بر Kubeflow
• 46. قابلیت‌های Kubeflow
• 47. پیپ‌لاین‌های Kubeflow
• 48. آموزش مدل با Kubeflow
• 49. استقرار مدل با Kubeflow
• 50. استفاده از Kubeflow در ابر گوگل
• 51. مقدمه‌ای بر استقرار خودکار مدل
• 52. تکنیک‌های استقرار خودکار
• 53. نظارت بر استقرار
• 54. بازگشت به نسخه قبلی
• 55. مدیریت نسخه مدل
• 56. مدیریت زیرساخت برای یادگیری ماشین
• 57. استفاده از ماشین‌های مجازی (VMs)
• 58. کانتینرسازی با Docker
• 59. ارکستراسیون کانتینر با Kubernetes
• 60. مدیریت منابع در ابر گوگل
• 61. امنیت در توسعه یادگیری ماشین
• 62. اصول امنیت داده
• 63. امنیت مدل
• 64. مدیریت دسترسی و هویت
• 65. پروتکل‌های امنیتی
• 66. اخلاق در هوش مصنوعی
• 67. سوگیری در مدل‌ها
• 68. شفافیت و توضیح‌پذیری مدل
• 69. مسئولیت‌پذیری در هوش مصنوعی
• 70. کاربرد هوش مصنوعی در صنایع مختلف
• 71. هوش مصنوعی در سلامت
• 72. هوش مصنوعی در مالی
• 73. هوش مصنوعی در خرده‌فروشی
• 74. هوش مصنوعی در تولید
• 75. مقدمه‌ای بر پروژه‌های عملی
• 76. طراحی پروژه یادگیری ماشین
• 77. جمع‌آوری داده برای پروژه
• 78. پیش‌پردازش داده برای پروژه
• 79. مهندسی ویژگی برای پروژه
• 80. انتخاب مدل برای پروژه
• 81. آموزش و ارزیابی مدل برای پروژه
• 82. تنظیم هایپرپارامتر برای پروژه
• 83. استقرار مدل برای پروژه
• 84. نظارت بر مدل مستقر شده
• 85. بهینه‌سازی مدل
• 86. مقدمه‌ای بر مفاهیم پیشرفته
• 87. یادگیری عمیق
• 88. شبکه‌های عصبی کانولوشنال (CNN)
• 89. شبکه‌های عصبی بازگشتی (RNN)
• 90. شبکه‌های مولد تخاصمی (GAN)
• 91. پردازش زبان طبیعی (NLP)
• 92. بینایی ماشین
• 93. یادگیری تقویتی پیشرفته
• 94. مقدمه‌ای بر معماری‌های مدرن
• 95. ترنسفورمرها
• 96. مدل‌های زبان بزرگ (LLMs)
• 97. کاربرد LLMs در پروژه‌های عملی
• 98. ملاحظات عملی در استقرار مدل‌ها
• 99. بهینه‌سازی عملکرد مدل
• 100. مدیریت هزینه‌ها در ابر گوگل