کتاب صوتی بهینه‌سازی مدل‌های یادگیری ماشین با Optuna و Ray Tune

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های یادگیری ماشین با Optuna و Ray Tune

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی ابرپارامترها
• 2. مفهوم فضاهای جستجو در بهینه‌سازی
• 3. آشنایی با کتابخانه‌های Optuna و Ray Tune
• 4. نصب و راه‌اندازی Optuna
• 5. نصب و راه‌اندازی Ray Tune
• 6. مقایسه Optuna و Ray Tune
• 7. اولین گام در بهینه‌سازی: تعریف تابع هدف
• 8. انواع فضاهای جستجو: گسسته، پیوسته و ترکیبی
• 9. روش‌های جستجوی تصادفی (Random Search)
• 10. الگوریتم‌های مبتنی بر گرادیان (Gradient-based Optimization)
• 11. بهینه‌سازی بیزی (Bayesian Optimization)
• 12. الگوریتم‌های تکاملی (Evolutionary Algorithms)
• 13. الگوریتم ژنتیک (Genetic Algorithms)
• 14. بهینه‌سازی جستجوی تابو (Tabu Search)
• 15. بهینه‌سازی ازدحام ذرات (Particle Swarm Optimization)
• 16. الگوریتم کلونی مورچگان (Ant Colony Optimization)
• 17. بهینه‌سازی مبتنی بر جامعه (Population-based Optimization)
• 18. راهنمای مطالعه Optuna: تعریف آزمایشی
• 19. اجرای یک مطالعه ساده با Optuna
• 20. تجسم نتایج مطالعات Optuna
• 21. ذخیره و بارگذاری مطالعات Optuna
• 22. استفاده از Pruners در Optuna
• 23. Pruner های مبتنی بر آستانه (Threshold Pruners)
• 24. Pruner های مبتنی بر مقایسه (Comparison Pruners)
• 25. Pruner های مبتنی بر زمان (Time-based Pruners)
• 26. راهنمای مطالعه Ray Tune: تنظیمات اولیه
• 27. اجرای یک آزمون ساده با Ray Tune
• 28. مدیریت منابع در Ray Tune
• 29. توزیع محاسبات با Ray Tune
• 30. استفاده از Scheduler ها در Ray Tune
• 31. ASHA (Asynchronous Successive Halving Algorithm)
• 32. HyperBand
• 33. Median Stopping Rule
• 34. بهینه‌سازی ابرپارامترهای شبکه‌های عصبی عمیق
• 35. تنظیم نرخ یادگیری (Learning Rate)
• 36. تنظیم اندازه دسته‌بندی (Batch Size)
• 37. تنظیم بهینه‌ساز (Optimizer)
• 38. تنظیم معماری شبکه (Network Architecture)
• 39. تنظیم نرخ ریزش (Dropout Rate)
• 40. تنظیم منظم‌سازی (Regularization)
• 41. بهینه‌سازی مدل‌های یادگیری ماشین کلاسیک
• 42. تنظیم پارامترهای SVM
• 43. تنظیم پارامترهای درخت تصمیم (Decision Trees)
• 44. تنظیم پارامترهای جنگل تصادفی (Random Forests)
• 45. تنظیم پارامترهای ماشین بردار پشتیبان (Support Vector Machines)
• 46. تنظیم پارامترهای رگرسیون لجستیک (Logistic Regression)
• 47. تنظیم پارامترهای K-نزدیک‌ترین همسایه (K-Nearest Neighbors)
• 48. تنظیم پارامترهای خوشه‌بندی (Clustering)
• 49. بهینه‌سازی ابرپارامترها برای پردازش زبان طبیعی (NLP)
• 50. تنظیم پارامترهای مدل‌های زبانی
• 51. تنظیم پارامترهای مدل‌های ترجمه ماشینی
• 52. تنظیم پارامترهای مدل‌های تولید متن
• 53. بهینه‌سازی ابرپارامترها برای بینایی ماشین
• 54. تنظیم پارامترهای شبکه‌های کانولوشنی (CNNs)
• 55. تنظیم پارامترهای شبکه‌های بازگشتی (RNNs)
• 56. تنظیم پارامترهای مدل‌های تشخیص اشیاء
• 57. تنظیم پارامترهای مدل‌های تقسیم‌بندی تصویر
• 58. تکنیک‌های پیشرفته در بهینه‌سازی ابرپارامترها
• 59. جستجوی شبکه‌ای (Grid Search)
• 60. جستجوی تصادفی (Random Search)
• 61. بهینه‌سازی بیزی (Bayesian Optimization)
• 62. یادگیری تقویتی برای بهینه‌سازی ابرپارامترها
• 63. بهینه‌سازی ابرپارامترها با استفاده از شبکه‌های عصبی
• 64. بهینه‌سازی ابرپارامترها در سیستم‌های توصیه‌گر
• 65. بهینه‌سازی ابرپارامترها در تشخیص ناهنجاری
• 66. بهینه‌سازی ابرپارامترها در پیش‌بینی سری‌های زمانی
• 67. ارزیابی و مقایسه روش‌های بهینه‌سازی
• 68. معیارهای ارزیابی در بهینه‌سازی ابرپارامترها
• 69. تست‌های A/B در بهینه‌سازی
• 70. تحلیل حساسیت ابرپارامترها
• 71. مدیریت و پایش مطالعات بهینه‌سازی
• 72. تجسم پیشرفت در Ray Tune
• 73. گزارش‌دهی نتایج بهینه‌سازی
• 74. نکات عملی برای بهینه‌سازی مؤثر
• 75. انتخاب فضای جستجوی مناسب
• 76. تعیین منابع محاسباتی لازم
• 77. استفاده از تکنیک‌های Pruning برای صرفه‌جویی در زمان
• 78. اعتبارسنجی متقابل (Cross-validation) در بهینه‌سازی
• 79. بهینه‌سازی مقیاس‌پذیر برای مجموعه داده‌های بزرگ
• 80. ادغام Optuna و Ray Tune برای قابلیت‌های بیشتر
• 81. کاربرد Optuna در پروژه‌های عملی
• 82. کاربرد Ray Tune در پروژه‌های عملی
• 83. مطالعات موردی از بهینه‌سازی مدل‌ها
• 84. بهینه‌سازی مدل‌های یادگیری ماشین با Ray Tune و Optuna
• 85. ملاحظات امنیتی در استفاده از ابزارهای بهینه‌سازی
• 86. اصول توسعه پایدار در بهینه‌سازی مدل‌ها
• 87. مروری بر آخرین پیشرفت‌ها در بهینه‌سازی ابرپارامترها
• 88. چالش‌های پیش رو در بهینه‌سازی مدل‌های پیچیده
• 89. آینده بهینه‌سازی ابرپارامترها
• 90. جمع‌بندی و نکات کلیدی
• 91. توصیه‌هایی برای یادگیری بیشتر
• 92. منابع تکمیلی برای مطالعه