فلش‌کارت‌های آموزشی طراحی و اجرای خطوط لوله یادگیری ماشین با Azure ML Studio

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و اجرای خطوط لوله یادگیری ماشین با Azure ML Studio

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی مدل‌های یادگیری ماشین با ابزارهای ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مراحل پروژه یادگیری ماشین
• 8. جمع‌آوری و آماده‌سازی داده‌ها
• 9. مهندسی ویژگی
• 10. انتخاب مدل
• 11. آموزش مدل
• 12. ارزیابی مدل
• 13. تنظیم ابرپارامترها
• 14. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 15. مزایای خطوط لوله یادگیری ماشین
• 16. اجزای یک خط لوله یادگیری ماشین
• 17. طراحی خطوط لوله با Azure ML Studio
• 18. مقدمه‌ای بر Azure Machine Learning
• 19. محیط کاری Azure ML Studio
• 20. مدیریت داده در Azure ML
• 21. ایجاد مجموعه داده‌ها
• 22. ثبت مجموعه داده‌ها
• 23. مدیریت دارایی‌ها در Azure ML
• 24. آزمایش‌ها و اجراها
• 25. ثبت آزمایش‌ها
• 26. ردیابی اجراها
• 27. مدیریت مدل‌ها
• 28. ثبت مدل‌ها
• 29. نسخه‌بندی مدل‌ها
• 30. استقرار مدل‌ها
• 31. استقرار آنی
• 32. استقرار دسته‌ای
• 33. مقدمه‌ای بر Azure Container Instances
• 34. استقرار در Azure Kubernetes Service
• 35. مقدمه‌ای بر Azure Functions
• 36. مقدمه‌ای بر Azure Databricks
• 37. مقدمه‌ای بر Azure Synapse Analytics
• 38. ایجاد کامپیوترهای محاسباتی در Azure ML
• 39. انواع کامپیوترهای محاسباتی
• 40. کانفیگ کردن کامپیوترهای محاسباتی
• 41. اتصال به ذخیره‌سازی داده
• 42. ایجاد اسکریپت‌های آموزشی
• 43. اجرای اسکریپت‌ها به عنوان آزمایش
• 44. پیکربندی محیط‌های آموزشی
• 45. استفاده از Docker در Azure ML
• 46. مدیریت وابستگی‌ها
• 47. استفاده از Conda
• 48. استفاده از Pip
• 49. ایجاد خطوط لوله با SDK
• 50. تعریف مراحل خط لوله
• 51. ارتباط بین مراحل
• 52. استفاده از کامپیوترهای محاسباتی در خط لوله
• 53. استفاده از مجموعه داده‌ها در خط لوله
• 54. تغذیه خروجی یک مرحله به مرحله دیگر
• 55. تعریف پارامترهای خط لوله
• 56. اجرای خط لوله
• 57. زمان‌بندی خطوط لوله
• 58. مانیتورینگ خطوط لوله
• 59. اشکال‌زدایی خطوط لوله
• 60. استفاده از Azure DevOps برای CI/CD
• 61. یکپارچه‌سازی Azure ML با Azure DevOps
• 62. ایجاد پایپ‌لاین‌های CI/CD
• 63. اتوماسیون آموزش مدل
• 64. اتوماسیون استقرار مدل
• 65. مقدمه‌ای بر MLOps
• 66. اصول MLOps
• 67. مدیریت چرخه عمر مدل
• 68. پایش عملکرد مدل
• 69. بازآموزی مدل
• 70. مدیریت ریسک و انطباق در خطوط لوله
• 71. امنیت در Azure ML
• 72. حفاظت از داده‌ها
• 73. مدیریت دسترسی‌ها
• 74. انطباق با مقررات
• 75. استفاده از الگوریتم‌های یادگیری ماشین بومی
• 76. پیاده‌سازی مدل‌های رگرسیون
• 77. پیاده‌سازی مدل‌های طبقه‌بندی
• 78. پیاده‌سازی مدل‌های خوشه‌بندی
• 79. پیاده‌سازی مدل‌های کاهش ابعاد
• 80. ارزیابی مدل‌های رگرسیون
• 81. ارزیابی مدل‌های طبقه‌بندی
• 82. ارزیابی مدل‌های خوشه‌بندی
• 83. بهینه‌سازی ابرپارامترها با Azure ML
• 84. جستجوی شبکه‌ای
• 85. جستجوی تصادفی
• 86. بهینه‌سازی بیزی
• 87. استفاده از الگوریتم‌های یادگیری عمیق
• 88. مقدمه‌ای بر شبکه‌های عصبی
• 89. شبکه‌های عصبی کانولوشنی
• 90. شبکه‌های عصبی بازگشتی
• 91. استفاده از TensorFlow در Azure ML
• 92. استفاده از PyTorch در Azure ML
• 93. آموزش مدل‌های یادگیری عمیق
• 94. پایش عملکرد مدل‌های یادگیری عمیق
• 95. استقرار مدل‌های یادگیری عمیق
• 96. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 97. تکنیک‌های پردازش زبان طبیعی
• 98. استفاده از مدل‌های NLP در Azure ML
• 99. پیاده‌سازی خطوط لوله NLP
• 100. مقدمه‌ای بر بینایی ماشین