فلش‌کارت‌های آموزشی ساخت و استقرار مدل‌های یادگیری ماشین در Azure ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین در Azure ML

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: توسعه مدل‌های یادگیری ماشین با ابزارهای ابری

📋 سرفصل‌های دوره

• 1. مبانی علم داده و تحلیل داده
• 2. مقدمه‌ای بر علم داده در Azure
• 3. انواع داده‌ها و منابع داده
• 4. پاکسازی و پیش‌پردازش داده‌ها
• 5. کاوش داده‌ها و تجسم‌سازی
• 6. مفاهیم اولیه یادگیری ماشین
• 7. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 8. یادگیری ماشین نظارت‌شده: رگرسیون
• 9. یادگیری ماشین نظارت‌شده: طبقه‌بندی
• 10. یادگیری ماشین بدون نظارت: خوشه‌بندی
• 11. یادگیری ماشین بدون نظارت: کاهش ابعاد
• 12. معرفی Azure Machine Learning
• 13. محیط کاری Azure Machine Learning Studio
• 14. کار با دیتاست‌ها در Azure ML
• 15. آماده‌سازی داده‌ها با ابزارهای Azure ML
• 16. ایجاد و مدیریت پروژه‌ها در Azure ML
• 17. استفاده از Designer در Azure ML
• 18. ساخت مدل‌های یادگیری ماشین بدون کد
• 19. انتخاب الگوریتم‌های مناسب
• 20. آموزش مدل‌های یادگیری ماشین
• 21. ارزیابی عملکرد مدل‌ها
• 22. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 23. انتخاب ویژگی‌ها (Feature Selection)
• 24. مهندسی ویژگی‌ها (Feature Engineering)
• 25. مدیریت نسخه‌های مدل
• 26. استقرار مدل‌ها به عنوان سرویس‌های وب
• 27. استقرار مدل‌ها در Azure Kubernetes Service (AKS)
• 28. مانیتورینگ مدل‌های مستقر شده
• 29. به‌روزرسانی مدل‌های مستقر شده
• 30. مفاهیم یادگیری عمیق
• 31. شبکه‌های عصبی مصنوعی
• 32. شبکه‌های عصبی کانولوشنی (CNN)
• 33. شبکه‌های عصبی بازگشتی (RNN)
• 34. کاربرد یادگیری عمیق در پردازش تصویر
• 35. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 36. معرفی Azure Machine Learning برای یادگیری عمیق
• 37. ساخت مدل‌های یادگیری عمیق در Azure ML
• 38. استفاده از فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 39. آموزش مدل‌های یادگیری عمیق با استفاده از GPU
• 40. بهینه‌سازی مدل‌های یادگیری عمیق
• 41. استقرار مدل‌های یادگیری عمیق
• 42. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 43. تکنیک‌های پیش‌پردازش متن
• 44. مدل‌سازی موضوعی (Topic Modeling)
• 45. تحلیل احساسات (Sentiment Analysis)
• 46. تشخیص موجودیت نام‌دار (Named Entity Recognition)
• 47. ترجمه ماشینی
• 48. خلاصه‌سازی متن
• 49. مدل‌های زبانی بزرگ (LLMs)
• 50. کاربرد LLMs در Azure ML
• 51. سفارشی‌سازی LLMs
• 52. استقرار LLMs
• 53. مقدمه‌ای بر پردازش تصویر
• 54. تشخیص اشیاء
• 55. دسته‌بندی تصاویر
• 56. تقسیم‌بندی تصاویر (Image Segmentation)
• 57. تولید تصویر
• 58. کاربرد پردازش تصویر در Azure ML
• 59. ساخت مدل‌های پردازش تصویر در Azure ML
• 60. استفاده از مدل‌های از پیش آموزش‌دیده
• 61. تنظیم دقیق مدل‌های پردازش تصویر
• 62. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 63. مفاهیم یادگیری تقویتی
• 64. الگوریتم‌های یادگیری تقویتی
• 65. کاربرد یادگیری تقویتی در Azure ML
• 66. ساخت مدل‌های یادگیری تقویتی در Azure ML
• 67. بهینه‌سازی سیستم‌ها با یادگیری تقویتی
• 68. مقدمه‌ای بر Big Data و Azure Databricks
• 69. کار با Spark در Azure Databricks
• 70. تحلیل داده‌های بزرگ با Azure Databricks
• 71. ساخت خطوط لوله داده (Data Pipelines)
• 72. اتوماسیون فرآیندهای یادگیری ماشین
• 73. مدیریت چرخه عمر مدل (MLOps)
• 74. اصول MLOps در Azure ML
• 75. ساخت خطوط لوله MLOps
• 76. تست و اعتبارسنجی مدل‌ها
• 77. پیاده‌سازی CI/CD برای مدل‌های یادگیری ماشین
• 78. امنیت در Azure Machine Learning
• 79. مدیریت دسترسی و هویت
• 80. حفاظت از داده‌ها
• 81. انطباق با مقررات
• 82. ملاحظات اخلاقی در هوش مصنوعی
• 83. تعصب در الگوریتم‌ها
• 84. شفافیت و تفسیرپذیری مدل‌ها
• 85. مسئولیت‌پذیری در هوش مصنوعی
• 86. کاربردهای پیشرفته یادگیری ماشین
• 87. سیستم‌های توصیه‌گر (Recommender Systems)
• 88. تشخیص ناهنجاری (Anomaly Detection)
• 89. تحلیل سری‌های زمانی (Time Series Analysis)
• 90. یادگیری ماشین برای اینترنت اشیاء (IoT)
• 91. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 92. تحلیل داده با Power BI
• 93. داشبوردهای تعاملی
• 94. گزارش‌دهی پیشرفته
• 95. تصمیم‌گیری مبتنی بر داده