فلش‌کارت‌های آموزشی طراحی و پیاده‌سازی مدل‌های یادگیری ماشین در Azure ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی مدل‌های یادگیری ماشین در Azure ML

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی و آماده‌سازی راهکارهای یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با مفاهیم یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. یادگیری عمیق و شبکه‌های عصبی
• 5. مقدمه‌ای بر پلتفرم Azure Machine Learning
• 6. معماری Azure ML و اجزای کلیدی
• 7. ایجاد فضای کاری (Workspace) در Azure ML
• 8. مدیریت داده‌ها در Azure ML
• 9. بارگذاری و آماده‌سازی داده‌ها
• 10. پاکسازی و پیش‌پردازش داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب و استخراج ویژگی
• 13. تبدیل ویژگی‌ها و نرمال‌سازی
• 14. مدیریت داده‌های نامتعادل
• 15. آشنایی با انواع مدل‌های یادگیری ماشین
• 16. مدل‌های رگرسیون خطی و لجستیک
• 17. درختان تصمیم و جنگل‌های تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. مدل‌های خوشه‌بندی (Clustering)
• 20. شبکه‌های عصبی کانولوشنال (CNN)
• 21. شبکه‌های عصبی بازگشتی (RNN)
• 22. آشنایی با ابزارهای طراحی مدل در Azure ML
• 23. استودیو Azure ML (Azure ML Studio)
• 24. دفترچه‌های نوت‌بوک (Notebooks) در Azure ML
• 25. پردازشگرهای خودکار (Automated ML)
• 26. طراحی خط لوله (Pipeline) در Azure ML
• 27. مراحل ساخت یک مدل یادگیری ماشین
• 28. تعریف مسئله و جمع‌آوری داده
• 29. انتخاب ویژگی و مهندسی داده
• 30. انتخاب الگوریتم و آموزش مدل
• 31. ارزیابی و اعتبارسنجی مدل
• 32. تنظیم هایپرپارامترها
• 33. استقرار مدل (Deployment)
• 34. نظارت بر عملکرد مدل
• 35. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 36. تکنیک‌های پیش‌پردازش متن
• 37. مدل‌سازی موضوعی (Topic Modeling)
• 38. تحلیل احساسات (Sentiment Analysis)
• 39. سیستم‌های توصیه‌گر (Recommender Systems)
• 40. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 41. شناسایی اشیاء (Object Detection)
• 42. دسته‌بندی تصاویر (Image Classification)
• 43. تقسیم‌بندی تصاویر (Image Segmentation)
• 44. کار با داده‌های سری زمانی (Time Series Data)
• 45. پیش‌بینی سری زمانی
• 46. مدل‌سازی و تحلیل داده‌های پرت
• 47. اعتبارسنجی متقابل (Cross-validation)
• 48. متریک‌های ارزیابی مدل‌های رگرسیون
• 49. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 50. متریک‌های ارزیابی مدل‌های خوشه‌بندی
• 51. تنظیم هایپرپارامترها با جستجوی شبکه‌ای (Grid Search)
• 52. تنظیم هایپرپارامترها با جستجوی تصادفی (Random Search)
• 53. تکنیک‌های کاهش ابعاد
• 54. تحلیل مولفه‌های اصلی (PCA)
• 55. تجزیه مقادیر منفرد (SVD)
• 56. مدیریت انحراف (Bias) و واریانس (Variance)
• 57. تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 58. تکنیک‌های جلوگیری از کم‌برازش (Underfitting)
• 59. مقایسه و انتخاب مدل‌های مختلف
• 60. آشنایی با چارچوب‌های یادگیری عمیق
• 61. TensorFlow و Keras در Azure ML
• 62. PyTorch در Azure ML
• 63. استفاده از مخازن کد (Code Repositories)
• 64. مدیریت نسخه‌ها (Versioning) در Azure ML
• 65. استقرار مدل به عنوان سرویس وب (Web Service)
• 66. استقرار مدل برای استنتاج دسته‌ای (Batch Inference)
• 67. نظارت بر عملکرد مدل مستقر شده
• 68. تشخیص انحراف داده (Data Drift Detection)
• 69. تشخیص انحراف مدل (Model Drift Detection)
• 70. مدیریت چرخه حیات مدل (MLOps)
• 71. مفاهیم MLOps در Azure ML
• 72. اتوماسیون فرآیندهای MLOps
• 73. امنیت و حریم خصوصی در Azure ML
• 74. مدیریت دسترسی و مجوزها
• 75. رمزنگاری داده‌ها
• 76. ملاحظات اخلاقی در هوش مصنوعی
• 77. مسئولیت‌پذیری در مدل‌های هوش مصنوعی
• 78. شفافیت در مدل‌های هوش مصنوعی
• 79. کاربرد هوش مصنوعی در صنایع مختلف
• 80. هوش مصنوعی در سلامت
• 81. هوش مصنوعی در مالی
• 82. هوش مصنوعی در تولید
• 83. هوش مصنوعی در خرده‌فروشی
• 84. هوش مصنوعی در حمل و نقل
• 85. آینده هوش مصنوعی و یادگیری ماشین
• 86. روندهای نوظهور در یادگیری ماشین
• 87. یادگیری تقویتی پیشرفته
• 88. یادگیری فدرال (Federated Learning)
• 89. هوش مصنوعی قابل توضیح (Explainable AI - XAI)
• 90. بهینه‌سازی مدل‌ها برای عملکرد
• 91. فشرده‌سازی مدل‌ها
• 92. کوانتیزاسیون مدل‌ها
• 93. استفاده از سخت‌افزار شتاب‌دهنده
• 94. مقدمه‌ای بر معماری‌های نوین شبکه‌های عصبی
• 95. ترنسفورمرها (Transformers)
• 96. شبکه‌های زایشی مولد (GANs)
• 97. یادگیری خودنظارتی (Self-Supervised Learning)
• 98. مفاهیم پیشرفته در پردازش زبان طبیعی
• 99. مدل‌های زبانی بزرگ (LLMs)
• 100. تنظیم دقیق مدل‌های زبانی