فلش‌کارت‌های آموزشی جامع آمادگی آزمون AWS Certified Machine Learning - Associate (MLA-C01)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آمادگی آزمون AWS Certified Machine Learning - Associate (MLA-C01)

موضوع کلی: مهندسی یادگیری ماشین و هوش مصنوعی

موضوع میانی: آماده‌سازی برای گواهینامه‌های تخصصی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مبانی یادگیری ماشین: یادگیری نظارت شده
• 3. رگرسیون خطی و کاربردهای آن
• 4. رگرسیون لجستیک و طبقه‌بندی
• 5. درختان تصمیم و جنگل‌های تصادفی
• 6. دسته‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 7. یادگیری بدون نظارت: خوشه‌بندی
• 8. الگوریتم K-Means برای خوشه‌بندی
• 9. تحلیل مولفه‌های اصلی (PCA)
• 10. یادگیری عمیق: شبکه‌های عصبی مصنوعی
• 11. معماری شبکه‌های عصبی پرسپترون چندلایه
• 12. توابع فعال‌سازی در شبکه‌های عصبی
• 13. پس‌انتشار خطا (Backpropagation)
• 14. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 15. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 16. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 17. مقدمه‌ای بر AWS و خدمات ابری
• 18. خدمات AWS برای یادگیری ماشین: SageMaker
• 19. آماده‌سازی داده‌ها در AWS SageMaker
• 20. مدل‌سازی و آموزش مدل‌ها در SageMaker
• 21. استقرار مدل‌ها در AWS SageMaker
• 22. نظارت بر مدل‌ها و ارزیابی عملکرد
• 23. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 24. تکنیک‌های مهندسی ویژگی برای داده‌های ساختاریافته
• 25. مهندسی ویژگی برای داده‌های متنی
• 26. مهندسی ویژگی برای داده‌های تصویری
• 27. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 28. مقابله با مقادیر گمشده در داده‌ها
• 29. شناسایی و مدیریت داده‌های پرت (Outliers)
• 30. استانداردسازی و مقیاس‌بندی داده‌ها
• 31. تکنیک‌های کاهش ابعاد
• 32. ارزیابی مدل‌های یادگیری ماشین
• 33. معیارهای ارزیابی برای رگرسیون
• 34. معیارهای ارزیابی برای طبقه‌بندی
• 35. منحنی ROC و سطح زیر منحنی (AUC)
• 36. اعتبارسنجی متقابل (Cross-Validation)
• 37. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 38. جستجوی شبکه‌ای (Grid Search)
• 39. جستجوی تصادفی (Random Search)
• 40. بهینه‌سازی بیزی (Bayesian Optimization)
• 41. مقدمه‌ای بر یادگیری عمیق در AWS
• 42. استفاده از SageMaker برای آموزش مدل‌های عمیق
• 43. سرویس‌های AWS برای پردازش تصویر
• 44. سرویس‌های AWS برای پردازش زبان طبیعی (NLP)
• 45. Amazon Rekognition برای تحلیل تصویر
• 46. Amazon Comprehend برای تحلیل متن
• 47. Amazon Translate برای ترجمه ماشینی
• 48. Amazon Transcribe برای تبدیل گفتار به متن
• 49. Amazon Lex برای ساخت رابط‌های مکالمه‌ای
• 50. سرویس‌های AWS برای پردازش داده‌های جریانی
• 51. Amazon Kinesis برای پردازش بلادرنگ
• 52. Amazon MSK (Managed Streaming for Kafka)
• 53. مقدمه‌ای بر معماری‌های یادگیری ماشین
• 54. معماری‌های یادگیری ماشین مقیاس‌پذیر
• 55. طراحی سیستم‌های توصیه‌گر
• 56. مقدمه‌ای بر یادگیری تقویتی
• 57. کاربرد یادگیری تقویتی در صنعت
• 58. ملاحظات امنیتی در یادگیری ماشین
• 59. حریم خصوصی داده‌ها در یادگیری ماشین
• 60. اخلاق در هوش مصنوعی
• 61. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 62. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 63. چرخه عمر یادگیری ماشین
• 64. استقرار مدل‌های یادگیری ماشین در تولید
• 65. نظارت و نگهداری مدل‌ها
• 66. خودکارسازی فرآیندهای ML
• 67. مدیریت مخزن مدل (Model Registry)
• 68. مدیریت داده‌ها در چرخه ML
• 69. مستندسازی و ردیابی آزمایش‌ها
• 70. استفاده از ابزارهای MLOps در AWS
• 71. AWS CodeCommit برای مدیریت کد
• 72. AWS CodeBuild برای ساخت و تست
• 73. AWS CodeDeploy برای استقرار
• 74. AWS CodePipeline برای اتوماسیون CI/CD
• 75. استفاده از Docker و کانتینرسازی در ML
• 76. استفاده از Kubernetes (EKS) در ML
• 77. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 78. کاربردهای یادگیری فدرال
• 79. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 80. کاربردهای GANs در تولید محتوا
• 81. مقدمه‌ای بر پردازش گراف (Graph Neural Networks)
• 82. کاربردهای GNNs در تحلیل شبکه‌ها
• 83. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 84. استفاده از مدل‌های از پیش آموزش‌دیده
• 85. تنظیم دقیق مدل‌ها (Fine-tuning)
• 86. مقدمه‌ای بر یادگیری خودنظارتی (Self-supervised Learning)
• 87. تکنیک‌های یادگیری خودنظارتی
• 88. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 89. کاربردهای یادگیری چندوظیفه‌ای
• 90. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 91. کاربرد DRL در رباتیک و بازی‌ها
• 92. ملاحظات مقیاس‌پذیری در یادگیری ماشین
• 93. بهینه‌سازی عملکرد مدل‌ها
• 94. تکنیک‌های کاهش مصرف منابع
• 95. مدیریت هزینه‌ها در خدمات ML ابری
• 96. مرور جامع بر مفاهیم و ابزارها
• 97. آمادگی برای سوالات سناریو محور
• 98. استراتژی‌های پاسخ به سوالات آزمون
• 99. نکات پایانی و منابع بیشتر
• 100. مفاهیم کلیدی AWS Certified Machine Learning