کتاب صوتی TFX برای داده‌های بزرگ و مقیاس‌پذیری ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره TFX برای داده‌های بزرگ و مقیاس‌پذیری ML

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: TensorFlow Extended (TFX)

📋 سرفصل‌های دوره

• 1. مبانی TensorFlow برای یادگیری ماشین
• 2. مفاهیم پایه TensorFlow
• 3. ساخت و کامپایل گراف محاسباتی
• 4. تنسورها و عملیات بر روی آن‌ها
• 5. متغیرها و مقادیر ثابت
• 6. سشن‌های TensorFlow
• 7. تابع‌نویسی و اجرای گراف
• 8. آموزش مدل‌های خطی
• 9. رگرسیون خطی با TensorFlow
• 10. رگرسیون لجستیک با TensorFlow
• 11. بهینه‌سازی و گرادیان کاهشی
• 12. آموزش شبکه‌های عصبی پرسپترون چندلایه
• 13. لایه‌های متراکم و فعال‌سازی‌ها
• 14. توابع هزینه و معیارهای ارزیابی
• 15. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 16. مدل‌های پیچیده‌تر شبکه‌های عصبی
• 17. شبکه‌های عصبی کانولوشنی (CNN)
• 18. معماری‌های CNN برای طبقه‌بندی تصاویر
• 19. شبکه‌های عصبی بازگشتی (RNN)
• 20. شبکه‌های LSTM و GRU برای داده‌های ترتیبی
• 21. پردازش زبان طبیعی با TensorFlow
• 22. بردارسازی کلمات (Word Embeddings)
• 23. مدل‌های زبان و تولید متن
• 24. استفاده از TensorFlow برای داده‌های بزرگ
• 25. مفاهیم موازی‌سازی و توزیع‌شدگی
• 26. TensorFlow Distributed Strategy
• 27. پیاده‌سازی مدل‌های توزیع‌شده
• 28. TensorFlow Extended (TFX) چیست؟
• 29. مراحل پایپ‌لاین TFX
• 30. ورودی داده‌ها در TFX (ExampleGen)
• 31. تحلیل و اعتبار سنجی داده‌ها (StatisticsGen, SchemaGen, ExampleValidator)
• 32. پیش‌پردازش داده‌ها در TFX (Transform)
• 33. آموزش مدل با TensorFlow (Trainer)
• 34. ارزیابی مدل در TFX (Evaluator)
• 35. پایپ‌لاین‌های TFX برای یادگیری ماشین
• 36. مدیریت و انتشار مدل (Pusher)
• 37. مؤلفه‌های TFX برای مهندسی ویژگی
• 38. استفاده از TensorFlow Transform
• 39. تبدیل داده‌های عددی و دسته‌ای
• 40. ایجاد ویژگی‌های ترکیبی
• 41. مدل‌سازی برای مقیاس‌پذیری ML
• 42. بهینه‌سازی مدل برای استنتاج سریع
• 43. استفاده از TensorFlow Lite
• 44. تبدیل مدل‌ها برای دستگاه‌های موبایل
• 45. استفاده از TensorFlow Serving
• 46. استقرار مدل‌ها برای سرویس‌دهی در مقیاس
• 47. معماری‌های سرویس‌دهی مدل
• 48. مدیریت ورژن مدل‌ها
• 49. نظارت بر عملکرد مدل در حال اجرا
• 50. ابزارهای TFX برای مدیریت چرخه عمر ML
• 51. استفاده از Kubeflow Pipelines با TFX
• 52. اتوماسیون پایپ‌لاین‌های ML
• 53. تست و اعتبارسنجی پایپ‌لاین‌ها
• 54. مدیریت داده‌های نسخه‌بندی شده
• 55. استفاده از TensorFlow Datasets
• 56. بارگذاری و پیش‌پردازش مجموعه داده‌های استاندارد
• 57. ایجاد مجموعه داده‌های سفارشی
• 58. کار با فایل‌های بزرگ در TensorFlow
• 59. استفاده از TFRecords
• 60. خواندن و نوشتن TFRecords
• 61. بهینه‌سازی I/O برای مجموعه داده‌های بزرگ
• 62. مفاهیم مهندسی ویژگی پیشرفته
• 63. تکنیک‌های کاهش ابعاد
• 64. انتخاب ویژگی
• 65. تکنیک‌های Regularization
• 66. مدیریت ناهمگونی داده‌ها
• 67. مدل‌سازی داده‌های نامتعادل
• 68. استفاده از تکنیک‌های Ensemble
• 69. ترکیب مدل‌ها برای بهبود عملکرد
• 70. مدل‌سازی سری‌های زمانی با TensorFlow
• 71. پیش‌بینی سری‌های زمانی
• 72. استفاده از مدل‌های آماری در کنار ML
• 73. نظارت و نگهداری مدل‌های ML
• 74. بازآموزی مدل‌ها
• 75. شناسایی افت عملکرد مدل
• 76. استقرار مدل در محیط‌های مختلف
• 77. ملاحظات امنیتی در ML
• 78. حفاظت از داده‌ها و مدل‌ها
• 79. اصول یادگیری ماشین اخلاقی
• 80. شفافیت و قابلیت تفسیر مدل
• 81. پیاده‌سازی مدل‌های سفارشی در TensorFlow
• 82. ایجاد لایه‌های سفارشی
• 83. توابع هزینه سفارشی
• 84. بهینه‌سازهای سفارشی
• 85. مقایسه TFX با ابزارهای مشابه
• 86. مزایای TFX برای مقیاس‌پذیری
• 87. چالش‌های پیاده‌سازی TFX
• 88. مباحث پیشرفته در TFX
• 89. مدل‌سازی گراف با TensorFlow
• 90. پیاده‌سازی شبکه‌های عصبی گراف (GNN)
• 91. کاربرد GNN در مسائل مختلف
• 92. یادگیری تقویتی با TensorFlow
• 93. مفاهیم پایه یادگیری تقویتی
• 94. پیاده‌سازی الگوریتم‌های RL
• 95. استفاده از کتابخانه‌های مرتبط با RL
• 96. TensorFlow Probability برای مدل‌سازی احتمالی
• 97. توزیع‌های احتمالی در TensorFlow
• 98. مدل‌های بیزی با TensorFlow Probability
• 99. استفاده از TensorFlow Hub برای مدل‌های از پیش آموزش دیده
• 100. بارگذاری و استفاده از مدل‌های موجود