فلش‌کارت‌های آموزشی اتوماسیون استقرار مدل‌های R با استفاده از GitHub Actions

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اتوماسیون استقرار مدل‌های R با استفاده از GitHub Actions

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و تحلیل آماری با R
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و پیکربندی محیط RStudio
• 4. کار با ساختارهای داده در R (بردارها، ماتریس‌ها، دیتافریم‌ها)
• 5. مقدمه‌ای بر پاکسازی و پیش‌پردازش داده‌ها
• 6. تکنیک‌های مصورسازی داده‌ها در R با ggplot2
• 7. اصول یادگیری ماشین و انواع آن
• 8. مقدمه‌ای بر مدل‌های رگرسیون خطی در R
• 9. پیاده‌سازی رگرسیون خطی چندگانه در R
• 10. ارزیابی مدل‌های رگرسیون
• 11. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 12. پیاده‌سازی رگرسیون لجستیک در R
• 13. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 14. مقدمه‌ای بر درختان تصمیم
• 15. پیاده‌سازی درختان تصمیم در R
• 16. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 17. پیاده‌سازی SVM در R
• 18. مقدمه‌ای بر مدل‌های جنگل تصادفی
• 19. پیاده‌سازی جنگل تصادفی در R
• 20. مقدمه‌ای بر خوشه‌بندی
• 21. پیاده‌سازی الگوریتم K-Means در R
• 22. ارزیابی مدل‌های خوشه‌بندی
• 23. مقدمه‌ای بر کاهش ابعاد
• 24. تحلیل مولفه‌های اصلی (PCA) در R
• 25. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 26. تکنیک‌های پیش‌پردازش متن در R
• 27. مدل‌سازی موضوعی در R
• 28. مقدمه‌ای بر شبکه‌های عصبی
• 29. پیاده‌سازی شبکه‌های عصبی ساده در R
• 30. مقدمه‌ای بر یادگیری عمیق
• 31. مقدمه‌ای بر ابزارهای توسعه نرم‌افزار
• 32. اصول کنترل نسخه با Git
• 33. مقدمه‌ای بر GitHub
• 34. ایجاد مخزن پروژه در GitHub
• 35. مدیریت شاخه‌ها در Git و GitHub
• 36. ادغام شاخه‌ها و حل تعارضات
• 37. مقدمه‌ای بر اتوماسیون فرآیندها
• 38. آشنایی با GitHub Actions
• 39. ایجاد اولین Workflow در GitHub Actions
• 40. تعریف Triggers برای اجرای Workflow
• 41. استفاده از Jobs در GitHub Actions
• 42. مقدمه‌ای بر Runners در GitHub Actions
• 43. پیکربندی Self-hosted Runners
• 44. مدیریت Secrets در GitHub Actions
• 45. استفاده از Environment Variables
• 46. اجرای اسکریپت‌های R در GitHub Actions
• 47. ساخت و بسته‌بندی پکیج‌های R
• 48. استقرار مدل‌های یادگیری ماشین
• 49. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 50. مفاهیم API و RESTful API
• 51. ساخت API برای مدل R با Plumber
• 52. استقرار API مدل R در GitHub Actions
• 53. تست خودکار API مدل R
• 54. مانیتورینگ مدل مستقر شده
• 55. تنظیمات پیشرفته در GitHub Actions
• 56. استفاده از Caching در GitHub Actions
• 57. استفاده از Artifacts در GitHub Actions
• 58. مدیریت وابستگی‌های پکیج R
• 59. استفاده از Docker برای استقرار
• 60. ساخت Dockerfile برای اپلیکیشن R
• 61. اجرای اپلیکیشن R در کانتینر Docker
• 62. استقرار کانتینر Docker با GitHub Actions
• 63. مقدمه‌ای بر CI/CD (Continuous Integration/Continuous Deployment)
• 64. پیاده‌سازی CI/CD برای مدل R
• 65. اصول امنیت در GitHub Actions
• 66. مدیریت دسترسی‌ها در GitHub
• 67. استفاده از GitHub Packages
• 68. ساخت پکیج R و انتشار آن
• 69. استقرار پکیج R با GitHub Actions
• 70. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 71. اصول MLOps در توسعه مدل
• 72. کاربرد GitHub Actions در MLOps
• 73. مدیریت چرخه عمر مدل
• 74. بازآموزی مدل (Model Retraining)
• 75. اتوماسیون فرآیند بازآموزی مدل
• 76. نظارت بر عملکرد مدل در طول زمان
• 77. مدیریت داده‌ها در پروژه‌های علم داده
• 78. نسخه‌بندی داده‌ها (Data Versioning)
• 79. استفاده از ابزارهای مدیریت داده
• 80. اصول مهندسی ویژگی (Feature Engineering)
• 81. اتوماسیون مهندسی ویژگی
• 82. ارزیابی مداوم مدل
• 83. مستندسازی پروژه علم داده
• 84. اصول گزارش‌دهی نتایج
• 85. ساخت داشبوردهای تعاملی با R Shiny
• 86. استقرار اپلیکیشن Shiny با GitHub Actions
• 87. مقدمه‌ای بر مباحث پیشرفته‌تر در R
• 88. کار با داده‌های بزرگ (Big Data) در R
• 89. ملاحظات اخلاقی در علم داده
• 90. حفظ حریم خصوصی داده‌ها
• 91. اصول داده‌کاوی و کشف الگو
• 92. مقدمه‌ای بر یادگیری تقویتی
• 93. کاربردهای عملی علم داده در صنعت
• 94. پروژه‌های کاربردی علم داده با R
• 95. مقدمه‌ای بر مباحث آماری پیشرفته
• 96. رویکردهای آماری نوین در R
• 97. مدل‌سازی سری‌های زمانی در R
• 98. اصول انتخاب و اعتبارسنجی مدل
• 99. بهینه‌سازی هایپرپارامترها
• 100. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)