فلش‌کارت‌های آموزشی انتخاب رویکرد مدل‌سازی در مهندسی یادگیری ماشین با AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره انتخاب رویکرد مدل‌سازی در مهندسی یادگیری ماشین با AWS

موضوع کلی: مهندسی نرم‌افزار و توسعهٔ سیستم‌های هوشمند

موضوع میانی: مهندسی یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مفاهیم کلیدی در مدل‌سازی
• 8. انتخاب مسئله مناسب برای یادگیری ماشین
• 9. تعریف اهداف پروژه
• 10. شناخت داده‌ها و منابع آن‌ها
• 11. پیش‌پردازش داده‌ها
• 12. پاکسازی داده‌ها
• 13. مدل‌سازی داده‌های گمشده
• 14. مهندسی ویژگی
• 15. انتخاب ویژگی‌ها
• 16. ساخت ویژگی‌های جدید
• 17. نرمال‌سازی و استانداردسازی داده‌ها
• 18. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 19. روش‌های ارزیابی مدل
• 20. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 21. معیارهای ارزیابی برای مسائل رگرسیون
• 22. مقدمه‌ای بر مدل‌های خطی
• 23. رگرسیون خطی
• 24. رگرسیون لجستیک
• 25. مبانی درخت تصمیم
• 26. درخت تصمیم برای طبقه‌بندی
• 27. درخت تصمیم برای رگرسیون
• 28. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 29. SVM برای طبقه‌بندی
• 30. SVM برای رگرسیون
• 31. مقدمه‌ای بر مدل‌های مبتنی بر مجموعه (Ensemble)
• 32. روش Bagging
• 33. روش Boosting
• 34. جنگل تصادفی (Random Forest)
• 35. گرادیان بوستینگ (Gradient Boosting)
• 36. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 37. نورون مصنوعی
• 38. توابع فعال‌سازی
• 39. معماری شبکه‌های عصبی چندلایه
• 40. پس‌انتشار خطا (Backpropagation)
• 41. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 42. کاربرد CNN در پردازش تصویر
• 43. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 44. کاربرد RNN در پردازش زبان طبیعی
• 45. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 46. واحد بازگشتی دروازه‌ای (GRU)
• 47. مقدمه‌ای بر مدل‌های زبان بزرگ (LLM)
• 48. معماری ترنسفورمر
• 49. مقدمه‌ای بر یادگیری عمیق
• 50. کاربردهای یادگیری عمیق
• 51. انتخاب مدل مناسب بر اساس مسئله
• 52. انتخاب مدل بر اساس حجم داده
• 53. انتخاب مدل بر اساس پیچیدگی مسئله
• 54. انتخاب مدل بر اساس منابع محاسباتی
• 55. شناخت الگوریتم‌های یادگیری ماشین
• 56. مقایسه الگوریتم‌های مختلف
• 57. مزایا و معایب الگوریتم‌ها
• 58. کاربرد الگوریتم‌ها در مسائل واقعی
• 59. مقدمه‌ای بر AWS SageMaker
• 60. قابلیت‌های SageMaker
• 61. انتخاب نمونه‌های SageMaker
• 62. آموزش مدل در SageMaker
• 63. استقرار مدل در SageMaker
• 64. استفاده از SageMaker برای پیش‌پردازش داده‌ها
• 65. استفاده از SageMaker برای مهندسی ویژگی
• 66. استفاده از SageMaker برای ارزیابی مدل
• 67. استفاده از SageMaker برای مانیتورینگ مدل
• 68. ملاحظات امنیتی در مهندسی یادگیری ماشین
• 69. مدیریت دسترسی در AWS
• 70. رمزنگاری داده‌ها
• 71. حفاظت از مدل‌ها
• 72. مدیریت هزینه‌ها در پروژه‌های یادگیری ماشین
• 73. بهینه‌سازی هزینه‌های محاسباتی
• 74. بهینه‌سازی هزینه‌های ذخیره‌سازی
• 75. مدیریت چرخه عمر مدل
• 76. مقدمه‌ای بر یادگیری ماشین قابل تفسیر (XAI)
• 77. روش‌های تفسیرپذیری مدل
• 78. کاربرد XAI در مسائل حساس
• 79. ملاحظات اخلاقی در هوش مصنوعی
• 80. سوگیری در داده‌ها و مدل‌ها
• 81. مدیریت سوگیری
• 82. مسئولیت‌پذیری در هوش مصنوعی
• 83. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 84. چارچوب‌های نظارتی
• 85. مطابقت با قوانین جمهوری اسلامی ایران
• 86. اصول توسعه پایدار در هوش مصنوعی
• 87. منابع داده‌های معتبر و ایمن
• 88. استفاده از داده‌های عمومی و آزاد
• 89. حفظ حریم خصوصی در جمع‌آوری داده‌ها
• 90. تکنیک‌های افزایش داده (Data Augmentation)
• 91. کاربرد تکنیک‌های افزایش داده در مسائل تصویر
• 92. کاربرد تکنیک‌های افزایش داده در مسائل متن
• 93. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 94. کاربرد یادگیری انتقالی در مسائل تصویر
• 95. کاربرد یادگیری انتقالی در مسائل متن
• 96. انتخاب معماری مدل مناسب
• 97. بهینه‌سازی هایپرپارامترها
• 98. روش‌های جستجوی هایپرپارامتر
• 99. تنظیم خودکار هایپرپارامترها
• 100. ارزیابی مجدد مدل پس از تنظیم هایپرپارامتر