فلش‌کارت‌های آموزشی ساخت و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. کاربردهای هوش مصنوعی در صنایع
• 5. مفاهیم کلیدی در یادگیری ماشین
• 6. مقدمه‌ای بر Amazon SageMaker
• 7. چرا Amazon SageMaker؟
• 8. معماری Amazon SageMaker
• 9. اجزای اصلی SageMaker
• 10. کارگاه‌های SageMaker
• 11. مدل‌سازی در SageMaker
• 12. آماده‌سازی داده در SageMaker
• 13. ویژگی‌های مهندسی در SageMaker
• 14. انتخاب الگوریتم‌های یادگیری ماشین
• 15. آموزش مدل‌های یادگیری ماشین
• 16. مراحل آموزش مدل
• 17. انتخاب الگوریتم مناسب
• 18. آموزش مدل‌های نظارت‌شده
• 19. آموزش مدل‌های بدون نظارت
• 20. تنظیم هایپرپارامترها
• 21. تنظیم خودکار هایپرپارامترها
• 22. بهینه‌سازی مدل
• 23. ارزیابی عملکرد مدل
• 24. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 25. معیارهای ارزیابی مدل‌های رگرسیون
• 26. پیش‌بینی و تفسیر نتایج
• 27. استقرار مدل در SageMaker
• 28. انواع استقرار مدل
• 29. استقرار آنی (Real-time inference)
• 30. استقرار دسته‌ای (Batch transform)
• 31. مدیریت نقاط پایانی (Endpoints)
• 32. مانیتورینگ مدل مستقر شده
• 33. تشخیص انحراف داده (Data drift)
• 34. تشخیص انحراف مدل (Model drift)
• 35. توسعه مدل‌های یادگیری عمیق
• 36. مقدمه‌ای بر شبکه‌های عصبی
• 37. انواع شبکه‌های عصبی
• 38. یادگیری عمیق با SageMaker
• 39. ساخت مدل‌های یادگیری عمیق
• 40. آموزش مدل‌های یادگیری عمیق
• 41. استقرار مدل‌های یادگیری عمیق
• 42. مدل‌های پیش‌آموزش‌داده شده
• 43. تنظیم دقیق مدل‌های پیش‌آموزش‌داده شده
• 44. پردازش زبان طبیعی (NLP)
• 45. کاربردهای NLP
• 46. کتابخانه‌های NLP در SageMaker
• 47. مدل‌های NLP پیشرفته
• 48. پردازش تصویر با SageMaker
• 49. کاربردهای پردازش تصویر
• 50. مدل‌های پردازش تصویر
• 51. یادگیری تقویتی در SageMaker
• 52. مبانی یادگیری تقویتی
• 53. کاربرد یادگیری تقویتی
• 54. ساخت عوامل یادگیری تقویتی
• 55. آموزش عوامل یادگیری تقویتی
• 56. استقرار عوامل یادگیری تقویتی
• 57. امنیت در SageMaker
• 58. مدیریت دسترسی و مجوزها
• 59. رمزنگاری داده‌ها
• 60. حفظ حریم خصوصی داده‌ها
• 61. هزینه‌ها در SageMaker
• 62. بهینه‌سازی هزینه‌ها
• 63. مدیریت منابع
• 64. اتوماسیون در یادگیری ماشین
• 65. پایپ‌لاین‌های SageMaker
• 66. مدیریت آزمایش‌ها
• 67. توسعه پایدار مدل‌ها
• 68. اصول توسعه پایدار
• 69. مدل‌های اخلاقی در یادگیری ماشین
• 70. شفافیت و توضیح‌پذیری مدل‌ها
• 71. مدیریت سوگیری در مدل‌ها
• 72. مقدمه‌ای بر یادگیری ماشین توضیحی (XAI)
• 73. تکنیک‌های XAI
• 74. کاربرد XAI در SageMaker
• 75. حاکمیت داده‌ها در یادگیری ماشین
• 76. مدیریت چرخه عمر داده
• 77. استانداردهای کیفیت داده
• 78. مقدمه‌ای بر MLOps
• 79. اصول MLOps
• 80. ابزارها و تکنیک‌های MLOps
• 81. پیاده‌سازی MLOps در SageMaker
• 82. نظارت و نگهداری مدل‌ها
• 83. به‌روزرسانی مدل‌ها
• 84. تست مدل‌ها در تولید
• 85. مدیریت نسخه‌های مدل
• 86. مقدمه‌ای بر یادگیری فدرال
• 87. مبانی یادگیری فدرال
• 88. کاربردهای یادگیری فدرال
• 89. یادگیری فدرال با SageMaker
• 90. مقدمه‌ای بر یادگیری انتقالی
• 91. مبانی یادگیری انتقالی
• 92. کاربردهای یادگیری انتقالی
• 93. یادگیری انتقالی با SageMaker
• 94. مقدمه‌ای بر یادگیری خودنظارت‌شده
• 95. مبانی یادگیری خودنظارت‌شده
• 96. کاربردهای یادگیری خودنظارت‌شده
• 97. یادگیری خودنظارت‌شده با SageMaker
• 98. مقدمه‌ای بر یادگیری غیرنظارت‌شده پیشرفته
• 99. تکنیک‌های پیشرفته غیرنظارت‌شده
• 100. کاربردها در SageMaker