فلش‌کارت‌های آموزشی پیاده‌سازی فرآیند هوشمند کاوش داده (CRISP-DM) با استفاده از خدمات ابری AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی فرآیند هوشمند کاوش داده (CRISP-DM) با استفاده از خدمات ابری AWS

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: مدل‌سازی فرآیندهای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و هوش مصنوعی
• 2. چرایی و اهمیت مدل‌سازی فرآیند
• 3. معرفی چارچوب CRISP-DM
• 4. مراحل اصلی CRISP-DM
• 5. فاز درک کسب و کار
• 6. تعریف اهداف کسب و کار
• 7. ارزیابی وضعیت کسب و کار
• 8. تعیین اهداف علم داده
• 9. تولید طرح پروژه علم داده
• 10. فاز درک داده
• 11. جمع‌آوری داده‌های اولیه
• 12. شرح داده‌ها
• 13. اکتشاف داده‌ها
• 14. اعتبارسنجی داده‌ها
• 15. فاز آماده‌سازی داده
• 16. انتخاب داده‌ها
• 17. پاکسازی داده‌ها
• 18. ساخت ویژگی‌ها
• 19. ادغام داده‌ها
• 20. قالب‌بندی داده‌ها
• 21. فاز مدل‌سازی
• 22. انتخاب تکنیک‌های مدل‌سازی
• 23. طراحی تست مدل
• 24. ساخت مدل
• 25. ارزیابی مدل (اولیه)
• 26. فاز ارزیابی
• 27. ارزیابی نتایج مدل
• 28. مرور فرآیند
• 29. تعیین گام‌های بعدی
• 30. فاز استقرار
• 31. برنامه‌ریزی استقرار
• 32. برنامه‌ریزی پایش و نگهداری
• 33. تولید گزارش نهایی
• 34. تولید طرح نهایی
• 35. مقدمه ای بر خدمات ابری AWS
• 36. معرفی AWS S3 برای ذخیره‌سازی داده
• 37. استفاده از AWS Glue برای آماده‌سازی داده
• 38. معرفی AWS SageMaker برای مدل‌سازی
• 39. مدیریت داده در AWS
• 40. امنیت داده در AWS
• 41. مقدمه ای بر مفاهیم یادگیری ماشین
• 42. انواع یادگیری ماشین
• 43. یادگیری نظارت شده
• 44. رگرسیون خطی
• 45. رگرسیون لجستیک
• 46. درخت تصمیم
• 47. ماشین بردار پشتیبان (SVM)
• 48. یادگیری نظارت نشده
• 49. خوشه‌بندی K-Means
• 50. تحلیل مولفه اصلی (PCA)
• 51. یادگیری تقویتی
• 52. شبکه‌های عصبی و یادگیری عمیق
• 53. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 54. شبکه‌های عصبی کانولوشنی (CNN)
• 55. شبکه‌های عصبی بازگشتی (RNN)
• 56. پردازش زبان طبیعی (NLP)
• 57. تحلیل احساسات
• 58. مدل‌سازی موضوعی
• 59. ترجمه ماشینی
• 60. بینایی ماشین
• 61. تشخیص اشیاء
• 62. تقسیم‌بندی تصویر
• 63. مقدمه ای بر ارزیابی مدل‌ها
• 64. معیارهای ارزیابی برای رگرسیون
• 65. میانگین مربعات خطا (MSE)
• 66. ریشه میانگین مربعات خطا (RMSE)
• 67. میانگین قدر مطلق خطا (MAE)
• 68. معیارهای ارزیابی برای طبقه‌بندی
• 69. دقت (Accuracy)
• 70. صحت (Precision)
• 71. بازیابی (Recall)
• 72. امتیاز F1
• 73. منحنی ROC و AUC
• 74. مقدمه ای بر مهندسی ویژگی
• 75. اهمیت مهندسی ویژگی
• 76. تکنیک‌های ایجاد ویژگی
• 77. تبدیل ویژگی‌های طبقه‌ای
• 78. تکنیک‌های کاهش ابعاد
• 79. انتخاب ویژگی
• 80. مقدمه ای بر استقرار مدل
• 81. روش‌های استقرار مدل
• 82. استقرار در AWS SageMaker
• 83. ساخت API برای مدل
• 84. پایش عملکرد مدل
• 85. به‌روزرسانی و نگهداری مدل
• 86. ملاحظات اخلاقی در علم داده
• 87. سوگیری در داده‌ها و مدل‌ها
• 88. حریم خصوصی داده‌ها
• 89. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 90. مسئولیت‌پذیری در علم داده
• 91. کاربرد علم داده در حوزه‌های مختلف
• 92. علم داده در سلامت
• 93. علم داده در مالی
• 94. علم داده در بازاریابی
• 95. علم داده در صنعت
• 96. مطالعه موردی: تحلیل داده‌های فروش با CRISP-DM و AWS
• 97. مطالعه موردی: پیش‌بینی ریزش مشتری با CRISP-DM و AWS
• 98. مطالعه موردی: طبقه‌بندی تصاویر با CRISP-DM و AWS
• 99. مطالعه موردی: تحلیل متن با CRISP-DM و AWS
• 100. آینده علم داده و هوش مصنوعی