فلش‌کارت‌های آموزشی بومی‌سازی یادگیری ماشین با استفاده از ابزارهای متن‌باز بومی‌سازی شده (Kubeflow و Kubernetes)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بومی‌سازی یادگیری ماشین با استفاده از ابزارهای متن‌باز بومی‌سازی شده (Kubeflow و Kubernetes)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار سیستم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. پاکسازی و نرمال‌سازی داده‌ها
• 6. مهندسی ویژگی و انتخاب ویژگی
• 7. معرفی مفاهیم کلیدی درKubernetes
• 8. معماری Kubernetes: Pods, Services, Deployments
• 9. شبکه‌بندی در Kubernetes
• 10. ذخیره‌سازی در Kubernetes
• 11. معرفی Kubeflow و کاربردهای آن
• 12. معماری Kubeflow
• 13. نصب و راه‌اندازی Kubeflow
• 14. مدیریت چرخه عمر مدل در Kubeflow
• 15. آموزش مدل‌ها با Kubeflow Pipelines
• 16. ایجاد Pipelines ساده در Kubeflow
• 17. اجرای Pipelines با داده‌های واقعی
• 18. مفهوم Metadata در Kubeflow
• 19. مدیریت Metadata برای ردیابی آزمایشات
• 20. استفاده از Katib برای تنظیم ابرپارامترها
• 21. بهینه‌سازی ابرپارامترها با Katib
• 22. مفهوم Serving مدل در Kubeflow
• 23. استقرار مدل‌ها با KFServing
• 24. مدیریت نسخه‌های مدل
• 25. مانیتورینگ مدل‌های مستقر شده
• 26. یادگیری عمیق و شبکه‌های عصبی
• 27. شبکه‌های عصبی کانولوشنال (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. کاربرد یادگیری عمیق در پردازش تصویر
• 30. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 31. پردازش زبان طبیعی (NLP) با استفاده از Hugging Face
• 32. مبانی NLP
• 33. مدل‌های زبانی بزرگ (LLMs)
• 34. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 35. توسعه ابزارهای NLP بومی
• 36. مبانی داده‌کاوی و کشف دانش
• 37. الگوریتم‌های خوشه‌بندی
• 38. الگوریتم‌های طبقه‌بندی
• 39. الگوریتم‌های قوانین وابستگی
• 40. کاربرد داده‌کاوی در تحلیل رفتار مشتری
• 41. امنیت در سیستم‌های یادگیری ماشین
• 42. حملات به مدل‌های یادگیری ماشین
• 43. روش‌های دفاع در برابر حملات
• 44. حریم خصوصی در یادگیری ماشین
• 45. تکنیک‌های حفظ حریم خصوصی (مانند Differential Privacy)
• 46. یادگیری فدرال (Federated Learning)
• 47. مبانی یادگیری فدرال
• 48. پیاده‌سازی یادگیری فدرال با Kubeflow
• 49. کاربرد یادگیری فدرال در صنایع حساس
• 50. اخلاق در هوش مصنوعی
• 51. سوگیری در مدل‌های هوش مصنوعی
• 52. تشخیص و کاهش سوگیری
• 53. شفافیت و قابلیت تفسیرپذیری مدل‌ها (XAI)
• 54. تکنیک‌های XAI
• 55. مسئولیت‌پذیری در هوش مصنوعی
• 56. استقرار مدل‌های یادگیری ماشین در مقیاس بزرگ
• 57. استراتژی‌های استقرار
• 58. مدیریت بار و مقیاس‌پذیری
• 59. بهینه‌سازی عملکرد سیستم‌های ML
• 60. پایش و نگهداری سیستم‌های ML
• 61. توسعه رابط‌های کاربری برای سیستم‌های ML
• 62. معرفی ابزارهای بصری‌سازی داده
• 63. بصری‌سازی نتایج مدل‌ها
• 64. توسعه داشبوردهای مدیریتی
• 65. کاربردهای یادگیری ماشین در حوزه سلامت
• 66. تشخیص بیماری با یادگیری ماشین
• 67. پیش‌بینی روند بیماری‌ها
• 68. کاربرد یادگیری ماشین در حوزه مالی
• 69. تشخیص تقلب
• 70. مدیریت ریسک
• 71. پیش‌بینی بازار سهام
• 72. کاربرد یادگیری ماشین در حوزه صنعت
• 73. نگهداری پیش‌بینانه
• 74. بهینه‌سازی فرآیند تولید
• 75. کنترل کیفیت هوشمند
• 76. کاربرد یادگیری ماشین در حوزه کشاورزی
• 77. پیش‌بینی عملکرد محصول
• 78. مدیریت بهینه منابع
• 79. تشخیص آفات و بیماری‌ها
• 80. کاربرد یادگیری ماشین در حوزه آموزش
• 81. شخصی‌سازی یادگیری
• 82. سیستم‌های توصیه‌گر آموزشی
• 83. تحلیل عملکرد تحصیلی
• 84. مبانی برنامه‌نویسی پایتون برای ML
• 85. کتابخانه‌های کلیدی: NumPy, Pandas, Scikit-learn
• 86. مبانی TensorFlow و Keras
• 87. مبانی PyTorch
• 88. ساخت مدل‌های ساده با Scikit-learn
• 89. آموزش و ارزیابی مدل‌ها
• 90. انتخاب مدل مناسب
• 91. تنظیم ابرپارامترها
• 92. معرفی ابزارهای MLOps
• 93. اهمیت MLOps در چرخه حیات ML
• 94. ابزارهای اتوماسیون در MLOps
• 95. مدیریت داده در MLOps
• 96. مدیریت کد در MLOps
• 97. مدیریت مدل در MLOps
• 98. نظارت و پایش در MLOps
• 99. تست و اعتبارسنجی در MLOps
• 100. مقدمه‌ای بر معماری‌های میکروسرویس