فلش‌کارت‌های آموزشی پیاده‌سازی متدولوژی CRISP-DM با استفاده از خدمات ابری AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی متدولوژی CRISP-DM با استفاده از خدمات ابری AWS

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: متدولوژی‌های علم داده

📋 سرفصل‌های دوره

• 1. مقدمه بر علم داده و هوش مصنوعی در ایران
• 2. آشنایی با متدولوژی CRISP-DM
• 3. مراحل متدولوژی CRISP-DM
• 4. فهم کسب‌وکار در پروژه‌های علم داده
• 5. اهداف کسب‌وکار در علم داده
• 6. ارزیابی وضعیت فعلی کسب‌وکار
• 7. تعیین اهداف علم داده
• 8. تولید طرح پروژه علم داده
• 9. فهم داده‌ها در پروژه‌های علم داده
• 10. جمع‌آوری اولیه داده‌ها
• 11. توصیف داده‌ها
• 12. کشف کیفیت داده‌ها
• 13. کشف اولیه داده‌ها
• 14. آماده‌سازی داده‌ها برای مدل‌سازی
• 15. انتخاب داده‌ها
• 16. پاک‌سازی داده‌ها
• 17. ساخت ویژگی‌های جدید
• 18. ترکیب داده‌ها
• 19. فرمت‌بندی داده‌ها
• 20. مدل‌سازی در علم داده
• 21. انتخاب روش مدل‌سازی
• 22. تولید طرح آزمون مدل
• 23. ساخت مدل
• 24. ارزیابی مدل
• 25. ارزیابی نتایج کسب‌وکار
• 26. استقرار مدل در محیط عملیاتی
• 27. برنامه‌ریزی استقرار
• 28. برنامه‌ریزی پایش و نگهداری
• 29. تولید گزارش نهایی
• 30. بررسی نهایی پروژه
• 31. خدمات ابری AWS برای علم داده
• 32. آشنایی با AWS
• 33. سرویس‌های AWS برای یادگیری ماشین
• 34. Amazon SageMaker
• 35. Amazon EC2 برای محاسبات علم داده
• 36. Amazon S3 برای ذخیره‌سازی داده‌ها
• 37. Amazon RDS برای پایگاه داده رابطه‌ای
• 38. Amazon Redshift برای انباره داده
• 39. Amazon EMR برای پردازش کلان داده
• 40. AWS Glue برای آماده‌سازی داده‌ها
• 41. AWS Lambda برای توابع بدون سرور
• 42. AWS Step Functions برای ارکستراسیون گردش کار
• 43. استفاده از SageMaker برای فهم کسب‌وکار
• 44. تعیین اهداف کسب‌وکار با SageMaker
• 45. طراحی پرس‌وجوهای کسب‌وکار
• 46. استفاده از SageMaker برای فهم داده‌ها
• 47. بارگذاری داده‌ها در SageMaker
• 48. تحلیل اکتشافی داده با SageMaker
• 49. شناسایی الگوها با SageMaker
• 50. ارزیابی کیفیت داده با SageMaker
• 51. استفاده از SageMaker برای آماده‌سازی داده‌ها
• 52. پیش‌پردازش داده‌ها در SageMaker
• 53. مهندسی ویژگی در SageMaker
• 54. ادغام مجموعه داده‌ها در SageMaker
• 55. پاک‌سازی داده‌های نامنظم در SageMaker
• 56. استفاده از SageMaker برای مدل‌سازی
• 57. انتخاب الگوریتم‌های یادگیری ماشین
• 58. آموزش مدل در SageMaker
• 59. تنظیم ابرپارامترها
• 60. ارزیابی عملکرد مدل
• 61. مصورسازی نتایج مدل
• 62. استفاده از SageMaker برای ارزیابی مدل
• 63. معیارهای ارزیابی مدل
• 64. تفسیر نتایج ارزیابی
• 65. مقایسه مدل‌های مختلف
• 66. استفاده از SageMaker برای استقرار مدل
• 67. استقرار مدل به عنوان نقطه پایانی
• 68. مدیریت نقاط پایانی
• 69. پایش عملکرد مدل مستقر شده
• 70. استفاده از SageMaker برای پایش و نگهداری
• 71. طراحی استراتژی پایش
• 72. تنظیم هشدارها
• 73. بازآموزی مدل‌ها
• 74. امنیت در پروژه‌های علم داده AWS
• 75. مدیریت دسترسی با IAM
• 76. امنیت داده‌ها در S3
• 77. رمزنگاری داده‌ها
• 78. امنیت در SageMaker
• 79. حریم خصوصی داده‌ها
• 80. اخلاق در علم داده
• 81. سوگیری در الگوریتم‌ها
• 82. شفافیت مدل‌ها
• 83. مسئولیت‌پذیری در هوش مصنوعی
• 84. کاربرد علم داده در صنایع ایران
• 85. علم داده در بخش بهداشت و درمان
• 86. علم داده در بخش مالی و بانکی
• 87. علم داده در بخش صنعت و تولید
• 88. علم داده در بخش کشاورزی
• 89. علم داده در بخش حمل و نقل
• 90. علم داده در بخش خدمات دولتی
• 91. مطالعات موردی موفق علم داده در ایران
• 92. چالش‌های پیاده‌سازی علم داده در ایران
• 93. راهکارهای غلبه بر چالش‌ها
• 94. آینده علم داده و هوش مصنوعی در ایران
• 95. مباحث پیشرفته در علم داده
• 96. یادگیری عمیق با AWS
• 97. پردازش زبان طبیعی با AWS
• 98. بینایی ماشین با AWS
• 99. سیستم‌های توصیه‌گر با AWS
• 100. علم داده در زمان واقعی (Real-time)