کتاب صوتی مهندسی یادگیری ماشین با Google Cloud: مدیریت چرخه عمر پروژه‌های ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی یادگیری ماشین با Google Cloud: مدیریت چرخه عمر پروژه‌های ML

موضوع کلی: علم داده و هوش مصنوعی در عمل

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری ماشین
• 2. اصول پایپ‌لاین‌های یادگیری ماشین
• 3. معرفی TensorFlow Extended (TFX)
• 4. مراحل پایپ‌لاین TFX
• 5. پردازش و اعتبارسنجی داده‌ها در TFX
• 6. تجزیه و تحلیل داده‌ها با TFX
• 7. توسعه ویژگی‌ها با TFX
• 8. آموزش مدل با TFX
• 9. ارزیابی مدل با TFX
• 10. انتشار مدل با TFX
• 11. معرفی Cloud Composer
• 12. مفاهیم Apache Airflow
• 13. ساخت پایپ‌لاین‌ها با Cloud Composer
• 14. زمان‌بندی و اجرای پایپ‌لاین‌ها
• 15. نظارت بر پایپ‌لاین‌ها در Cloud Composer
• 16. مدیریت وابستگی‌ها در Cloud Composer
• 17. یکپارچه‌سازی TFX با Cloud Composer
• 18. معرفی MLflow
• 19. ردیابی آزمایش‌ها در MLflow
• 20. ثبت پارامترها و معیارها در MLflow
• 21. مدیریت مدل‌ها در MLflow
• 22. استقرار مدل‌ها با MLflow
• 23. مقایسه آزمایش‌ها در MLflow
• 24. داشبوردهای MLflow
• 25. یکپارچه‌سازی TFX با MLflow
• 26. یکپارچه‌سازی Cloud Composer با MLflow
• 27. مرور کلی چرخه عمر مدل ML
• 28. جمع‌آوری و آماده‌سازی داده‌ها
• 29. کاوش و تجسم داده‌ها
• 30. پیش‌پردازش داده‌ها
• 31. انتخاب و مهندسی ویژگی
• 32. انتخاب الگوریتم مدل
• 33. آموزش مدل‌های پایه
• 34. تنظیم ابرپارامترها
• 35. ارزیابی عملکرد مدل
• 36. انتخاب مدل نهایی
• 37. بسته‌بندی مدل
• 38. استقرار مدل در محیط عملیاتی
• 39. نظارت بر مدل مستقر شده
• 40. بازآموزی مدل
• 41. مدیریت نسخه‌های مدل
• 42. خودکارسازی پایپ‌لاین‌ها
• 43. مقدمه‌ای بر مفاهیم ابری
• 44. Google Cloud Platform (GCP)
• 45. سرویس‌های GCP برای ML
• 46. Google Kubernetes Engine (GKE)
• 47. Cloud Storage
• 48. BigQuery
• 49. AI Platform Training
• 50. AI Platform Prediction
• 51. Vertex AI Overview
• 52. Vertex AI Pipelines
• 53. Vertex AI Experiments
• 54. Vertex AI Model Registry
• 55. Vertex AI Endpoints
• 56. Dataflow
• 57. Dataproc
• 58. Cloud Functions
• 59. Cloud Run
• 60. امنیت در پروژه‌های ML
• 61. حریم خصوصی داده‌ها
• 62. اصول اخلاقی در هوش مصنوعی
• 63. مسئولیت‌پذیری در هوش مصنوعی
• 64. توضیح‌پذیری مدل‌های ML
• 65. کاهش سوگیری در مدل‌ها
• 66. مدیریت ریسک در پروژه‌های ML
• 67. استانداردهای کیفیت در ML
• 68. مستندسازی پروژه‌های ML
• 69. مدیریت دانش در تیم‌های ML
• 70. همکاری در پروژه‌های ML
• 71. ابزارهای همکاری تیمی
• 72. بهینه‌سازی پایپ‌لاین‌ها
• 73. مقیاس‌پذیری پایپ‌لاین‌ها
• 74. عیب‌یابی پایپ‌لاین‌ها
• 75. نکات پیشرفته در TFX
• 76. نکات پیشرفته در Cloud Composer
• 77. نکات پیشرفته در MLflow
• 78. معماری‌های مدرن ML
• 79. MLOps: اصول و روش‌ها
• 80. اتوماسیون فرآیندهای ML
• 81. مدیریت پیکربندی در ML
• 82. استقرار مداوم در ML
• 83. تست در چرخه عمر ML
• 84. پایش و هشدار در ML
• 85. بازخورد در چرخه عمر ML
• 86. مقدمه‌ای بر یادگیری عمیق در عمل
• 87. شبکه‌های عصبی کانولوشنی
• 88. شبکه‌های عصبی بازگشتی
• 89. پردازش زبان طبیعی با مدل‌های ترنسفورمر
• 90. بینایی ماشین با مدل‌های پیشرفته
• 91. کاربرد ML در کسب‌وکار
• 92. تحلیل داده‌های مشتری
• 93. پیش‌بینی فروش
• 94. بهینه‌سازی عملیات
• 95. سیستم‌های توصیه‌گر
• 96. تحلیل احساسات
• 97. خودکارسازی وظایف
• 98. آینده مهندسی یادگیری ماشین