فلش‌کارت‌های آموزشی مدیریت و ارزیابی چرخه حیات پروژه‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت و ارزیابی چرخه حیات پروژه‌های یادگیری ماشین

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر چرخه حیات پروژه‌های یادگیری ماشین
• 2. اصول مهندسی نرم‌افزار در پروژه‌های ML
• 3. مبانی داده‌کاوی و پیش‌پردازش داده
• 4. اصول جمع‌آوری و پاکسازی داده‌ها
• 5. مدیریت نسخه‌های داده و مجموعه داده‌ها
• 6. مبانی مهندسی ویژگی (Feature Engineering)
• 7. انتخاب و استخراج ویژگی‌های مرتبط
• 8. تکنیک‌های کاهش ابعاد داده
• 9. مبانی مدل‌سازی یادگیری ماشین
• 10. انواع الگوریتم‌های یادگیری نظارت‌شده
• 11. انواع الگوریتم‌های یادگیری نظارت‌نشده
• 12. مبانی ارزیابی مدل‌های یادگیری ماشین
• 13. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 14. معیارهای ارزیابی مدل‌های رگرسیون
• 15. اعتبارسنجی متقابل (Cross-Validation)
• 16. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 17. مبانی مهندسی پیوسته (MLOps)
• 18. اهمیت MLOps در پروژه‌های ML
• 19. مراحل پیاده‌سازی MLOps
• 20. ابزارها و پلتفرم‌های MLOps
• 21. مدیریت کد و مخازن کد (Git)
• 22. اتوماسیون فرآیندهای ML (CI/CD)
• 23. ادغام مداوم (Continuous Integration)
• 24. تحویل مداوم (Continuous Delivery)
• 25. استقرار مداوم (Continuous Deployment)
• 26. پایش مدل‌های ML در محیط عملیاتی
• 27. جمع‌آوری لاگ‌ها و معیارهای عملکرد مدل
• 28. تشخیص افت عملکرد مدل (Model Drift)
• 29. بازآموزی و به‌روزرسانی مدل‌ها
• 30. مدیریت چرخه عمر مدل‌ها (Model Lifecycle Management)
• 31. نسخه‌بندی مدل‌ها و نتایج آزمایش
• 32. مستندسازی پروژه‌های ML
• 33. اصول حاکمیت داده (Data Governance)
• 34. امنیت داده‌ها در پروژه‌های ML
• 35. حفظ حریم خصوصی داده‌ها
• 36. اصول اخلاق در هوش مصنوعی
• 37. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 38. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 39. مبانی معماری سیستم‌های ML
• 40. طراحی معماری مقیاس‌پذیر برای ML
• 41. استفاده از خدمات ابری برای ML
• 42. مدیریت زیرساخت‌های ML
• 43. بهینه‌سازی منابع محاسباتی
• 44. مبانی پردازش توزیع‌شده برای ML
• 45. کار با فریم‌ورک‌های پردازش توزیع‌شده
• 46. مبانی ارکستراسیون (Orchestration) در ML
• 47. ابزارهای ارکستراسیون (مانند Kubeflow, MLflow)
• 48. طراحی پایپ‌لاین‌های ML
• 49. مدیریت وابستگی‌ها در پایپ‌لاین‌ها
• 50. اجرای موازی وظایف در پایپ‌لاین
• 51. نظارت بر اجرای پایپ‌لاین‌ها
• 52. مدیریت خطا و بازیابی در پایپ‌لاین‌ها
• 53. مبانی تحلیل (Analysis) در ML
• 54. تحلیل نتایج آزمایش‌ها و مقایسه مدل‌ها
• 55. بصری‌سازی داده‌ها و نتایج مدل‌ها
• 56. تفسیرپذیری مدل‌های ML (Explainable AI - XAI)
• 57. تکنیک‌های XAI
• 58. مبانی ارزیابی (Evaluation) در ML
• 59. ارزیابی جامع عملکرد سیستم ML
• 60. ارزیابی اقتصادی و بازگشت سرمایه
• 61. ارزیابی ریسک و انطباق با مقررات
• 62. مدیریت کیفیت در پروژه‌های ML
• 63. تست واحد، ادغام و سیستم برای ML
• 64. تست عملکرد و مقیاس‌پذیری
• 65. تست امنیت سیستم‌های ML
• 66. مبانی یادگیری عمیق (Deep Learning)
• 67. شبکه‌های عصبی کانولوشنال (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. ترنسفورمرها و مدل‌های زبانی بزرگ
• 70. کاربرد یادگیری عمیق در پردازش تصویر
• 71. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 72. مبانی یادگیری تقویتی (Reinforcement Learning)
• 73. الگوریتم‌های یادگیری تقویتی
• 74. کاربرد یادگیری تقویتی
• 75. مبانی یادگیری نیمه‌نظارت‌شده
• 76. مبانی یادگیری انتقالی (Transfer Learning)
• 77. کاربرد یادگیری انتقالی
• 78. مبانی یادگیری فعال (Active Learning)
• 79. مبانی یادگیری خودنظارت‌شده
• 80. اصول مهندسی داده در ML
• 81. طراحی پایپ‌لاین‌های ETL/ELT
• 82. مدیریت پایگاه داده برای ML
• 83. کار با سیستم‌های ذخیره‌سازی کلان‌داده
• 84. مبانی یادگیری ماشین توضیح‌پذیر
• 85. کاربرد XAI در اشکال‌زدایی مدل
• 86. ملاحظات حقوقی و اخلاقی در XAI
• 87. استانداردهای بین‌المللی در MLOps
• 88. بهترین شیوه‌ها در مدیریت چرخه حیات ML
• 89. نقش تیم در پروژه‌های MLOps
• 90. ارتباط بین مهندسی نرم‌افزار و ML
• 91. آینده MLOps و هوش مصنوعی
• 92. مدیریت دانش در پروژه‌های ML
• 93. آموزش مستمر و به‌روزرسانی دانش تیم
• 94. ارتباط با ذینفعان و مدیریت انتظارات
• 95. اصول مدیریت پروژه در پروژه‌های ML
• 96. چالش‌های رایج در پروژه‌های ML و راهکارها
• 97. ملاحظات فرهنگی در پیاده‌سازی ML
• 98. جمع‌بندی و چشم‌انداز آینده