فلش‌کارت‌های آموزشی مبانی استفاده از آمازون ساجمیکر در پروژه‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی استفاده از آمازون ساجمیکر در پروژه‌های هوش مصنوعی

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: یادگیری ماشین و داده‌کاوی

📋 سرفصل‌های دوره

• 1. آشنایی با هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر خدمات ابری AWS
• 3. معرفی سرویس Amazon SageMaker
• 4. مفاهیم پایه یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 6. مراحل یک پروژه یادگیری ماشین
• 7. جمع‌آوری و آماده‌سازی داده‌ها
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. مهندسی ویژگی (Feature Engineering)
• 10. انتخاب مجموعه داده مناسب
• 11. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 12. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 13. رگرسیون خطی (Linear Regression)
• 14. رگرسیون لجستیک (Logistic Regression)
• 15. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 16. درختان تصمیم (Decision Trees)
• 17. جنگل‌های تصادفی (Random Forests)
• 18. گرادیان بوستینگ (Gradient Boosting)
• 19. خوشه‌بندی (Clustering)
• 20. K-Means Clustering
• 21. DBSCAN Clustering
• 22. کاهش ابعاد (Dimensionality Reduction)
• 23. تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 24. تجزیه مقادیر منفرد (Singular Value Decomposition - SVD)
• 25. ارزیابی مدل‌های یادگیری ماشین
• 26. معیارهای ارزیابی برای رگرسیون
• 27. میانگین مربعات خطا (Mean Squared Error - MSE)
• 28. ریشه میانگین مربعات خطا (Root Mean Squared Error - RMSE)
• 29. ضریب تعیین (R-squared)
• 30. معیارهای ارزیابی برای طبقه‌بندی
• 31. دقت (Accuracy)
• 32. صحت (Precision)
• 33. بازیابی (Recall)
• 34. امتیاز F1 (F1-Score)
• 35. منحنی ROC و سطح زیر منحنی (AUC)
• 36. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 37. جستجوی شبکه‌ای (Grid Search)
• 38. جستجوی تصادفی (Random Search)
• 39. مقدمه‌ای بر Amazon SageMaker Studio
• 40. راه‌اندازی محیط SageMaker Studio
• 41. ناوبری در SageMaker Studio
• 42. استفاده از نوت‌بوک‌ها (Notebooks) در SageMaker
• 43. ایجاد و مدیریت نوت‌بوک‌ها
• 44. اجرای کد پایتون در نوت‌بوک‌ها
• 45. مدیریت داده‌ها در SageMaker
• 46. بارگذاری داده‌ها در SageMaker
• 47. استفاده از S3 برای ذخیره‌سازی داده‌ها
• 48. یکپارچگی SageMaker با Amazon S3
• 49. آموزش مدل‌ها در SageMaker
• 50. استفاده از SageMaker built-in algorithms
• 51. آموزش با استفاده از فریم‌ورک‌های محبوب (TensorFlow, PyTorch)
• 52. مدیریت وظایف آموزشی (Training Jobs)
• 53. پایش و ثبت لاگ‌های آموزش
• 54. استقرار مدل‌ها در SageMaker
• 55. ایجاد نقاط پایانی (Endpoints) برای پیش‌بینی
• 56. استقرار مدل‌ها برای پیش‌بینی دسته‌ای (Batch Transform)
• 57. مدیریت نقاط پایانی
• 58. مقیاس‌پذیری و دسترس‌پذیری نقاط پایانی
• 59. امنیت در Amazon SageMaker
• 60. مدیریت دسترسی با IAM
• 61. رمزگذاری داده‌ها
• 62. شبکه‌بندی امن (VPC)
• 63. پایش و ثبت وقایع (Logging and Monitoring)
• 64. استفاده از SageMaker Model Monitor
• 65. پایش انحراف داده (Data Drift)
• 66. پایش انحراف مدل (Model Drift)
• 67. مدیریت چرخه عمر مدل (Model Lifecycle Management)
• 68. نسخه‌بندی مدل‌ها
• 69. اتوماسیون گردش کار یادگیری ماشین (MLOps)
• 70. استفاده از SageMaker Pipelines
• 71. مفاهیم پایپ‌لاین‌ها
• 72. طراحی و اجرای پایپ‌لاین‌ها
• 73. یکپارچگی با ابزارهای CI/CD
• 74. ملاحظات هزینه در Amazon SageMaker
• 75. بهینه‌سازی استفاده از منابع
• 76. انتخاب نمونه‌های محاسباتی مناسب
• 77. مدیریت چرخه عمر داده و مدل
• 78. کاربرد SageMaker در سناریوهای واقعی
• 79. پردازش زبان طبیعی (NLP) با SageMaker
• 80. بینایی ماشین (Computer Vision) با SageMaker
• 81. سیستم‌های توصیه‌گر (Recommender Systems)
• 82. تحلیل سری‌های زمانی (Time Series Analysis)
• 83. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 84. شبکه‌های عصبی کانولوشنی (CNNs)
• 85. شبکه‌های عصبی بازگشتی (RNNs)
• 86. مقدمه‌ای بر SageMaker Autopilot
• 87. خودکارسازی ساخت مدل
• 88. تفسیر نتایج Autopilot
• 89. کاربرد SageMaker در پروژه‌های کلان داده (Big Data)
• 90. یکپارچگی با AWS Glue و EMR
• 91. استفاده از SageMaker برای داده‌های حجیم
• 92. جمع‌بندی و گام‌های بعدی
• 93. مرور کلی بر قابلیت‌های SageMaker
• 94. پیشنهادات برای یادگیری بیشتر
• 95. منابع آموزشی تکمیلی
• 96. نکات پیشرفته برای بهینه‌سازی مدل‌ها
• 97. مدیریت خطا و رفع اشکال در SageMaker
• 98. پروتکل‌های امنیتی در محیط ابری
• 99. اصول معماری برای راه‌حل‌های AI/ML
• 100. مدیریت دانش و مستندسازی پروژه‌ها