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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

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

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و مدیریت خطوط لوله یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری تحت نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مفاهیم کلیدی در یادگیری ماشین
• 8. مهندسی ویژگی
• 9. انتخاب مدل
• 10. ارزیابی مدل
• 11. تنظیم ابرپارامترها
• 12. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 13. اهمیت خطوط لوله در ML
• 14. مراحل یک خط لوله ML
• 15. داده‌کاوی و آماده‌سازی داده
• 16. جمع‌آوری داده
• 17. پاکسازی داده
• 18. تبدیل داده
• 19. مهندسی ویژگی در خطوط لوله
• 20. آموزش مدل
• 21. اعتبارسنجی مدل
• 22. تنظیم ابرپارامترها در خطوط لوله
• 23. استقرار مدل
• 24. نظارت بر مدل
• 25. بازآموزی مدل
• 26. معماری خطوط لوله ML
• 27. اجزای خطوط لوله ML
• 28. ابزارهای ساخت خط لوله ML
• 29. Google Cloud Platform (GCP)
• 30. معرفی GCP برای ML
• 31. خدمات GCP برای ML
• 32. Google Kubernetes Engine (GKE)
• 33. Vertex AI Pipelines
• 34. Cloud Storage
• 35. BigQuery ML
• 36. Dataflow
• 37. Dataproc
• 38. AI Platform Training
• 39. AI Platform Prediction
• 40. Kubeflow Pipelines on GCP
• 41. ساخت خط لوله با Vertex AI Pipelines
• 42. تعریف مولفه‌های خط لوله
• 43. طراحی گراف اجرای خط لوله
• 44. اجرای خط لوله در GCP
• 45. مانیتورینگ و لاگ‌گیری خطوط لوله
• 46. مدیریت وابستگی‌ها در خطوط لوله
• 47. نسخه‌بندی در خطوط لوله ML
• 48. تست در خطوط لوله ML
• 49. امنیت در خطوط لوله ML
• 50. مدیریت دسترسی در GCP
• 51. رمزنگاری داده‌ها
• 52. خطوط لوله برای داده‌های جریانی
• 53. خطوط لوله برای پردازش زبان طبیعی (NLP)
• 54. خطوط لوله برای بینایی ماشین
• 55. خطوط لوله برای سیستم‌های توصیه‌گر
• 56. بهینه‌سازی خطوط لوله ML
• 57. کاهش زمان آموزش
• 58. کاهش هزینه‌ها
• 59. افزایش مقیاس‌پذیری
• 60. خطوط لوله برای یادگیری عمیق
• 61. مقدمه‌ای بر شبکه‌های عصبی
• 62. چارچوب‌های یادگیری عمیق
• 63. TensorFlow و Keras
• 64. PyTorch
• 65. ساخت خط لوله با TensorFlow Extended (TFX)
• 66. اجزای TFX
• 67. پیاده‌سازی TFX در GCP
• 68. خطوط لوله برای مدل‌های تولیدی
• 69. استقرار مدل‌های ML
• 70. مدیریت چرخه عمر مدل
• 71. نظارت بر عملکرد مدل
• 72. بازآموزی و به‌روزرسانی مدل
• 73. ملاحظات اخلاقی در ML
• 74. سوگیری در داده‌ها و مدل‌ها
• 75. شفافیت و توضیح‌پذیری مدل
• 76. حریم خصوصی داده‌ها
• 77. مسئولیت‌پذیری در ML
• 78. چارچوب‌های نظارتی برای ML در ایران
• 79. مقررات مربوط به داده‌ها و هوش مصنوعی
• 80. استانداردهای اخلاقی در توسعه ML
• 81. کاربرد خطوط لوله ML در صنایع ایران
• 82. نظام سلامت
• 83. نظام مالی و بانکی
• 84. صنعت نفت و گاز
• 85. صنعت خودروسازی
• 86. کشاورزی هوشمند
• 87. تجارت الکترونیک
• 88. مطالعات موردی خطوط لوله ML در ایران
• 89. چالش‌های پیاده‌سازی خطوط لوله ML
• 90. راهکارهای غلبه بر چالش‌ها
• 91. آینده خطوط لوله یادگیری ماشین
• 92. روندهای نوظهور
• 93. ابزارهای جدید
• 94. بهبود مداوم خطوط لوله ML