کتاب صوتی ساخت خطوط لوله یادگیری ماشین با استفاده از سرویس‌های گوگل کلود

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت خطوط لوله یادگیری ماشین با استفاده از سرویس‌های گوگل کلود

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و مدیریت خطوط لوله یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین و خطوط لوله
• 2. مبانی ساخت خطوط لوله یادگیری ماشین
• 3. معرفی سرویس های گوگل کلود برای یادگیری ماشین
• 4. مراحل پیش پردازش داده ها در خطوط لوله
• 5. پاکسازی و نرمال سازی داده ها
• 6. مهندسی ویژگی برای بهبود مدل ها
• 7. انتخاب الگوریتم های یادگیری ماشین مناسب
• 8. آموزش مدل های یادگیری ماشین
• 9. ارزیابی عملکرد مدل ها
• 10. تنظیم ابرپارامترها برای بهینه سازی مدل
• 11. معرفی TensorFlow Extended (TFX)
• 12. ساخت کامپوننت های TFX
• 13. پایپ لاین های TFX برای ETL
• 14. پایپ لاین های TFX برای آموزش مدل
• 15. پایپ لاین های TFX برای ارزیابی مدل
• 16. پایپ لاین های TFX برای انتشار مدل
• 17. معرفی Kubeflow Pipelines
• 18. مبانی Kubeflow Pipelines
• 19. ساخت کامپوننت های Kubeflow
• 20. طراحی پایپ لاین های Kubeflow
• 21. اجرای پایپ لاین های Kubeflow
• 22. مانیتورینگ و دیباگ پایپ لاین ها
• 23. مقایسه TFX و Kubeflow
• 24. استفاده از AI Platform Pipelines
• 25. ساخت پایپ لاین با AI Platform
• 26. استفاده از Vertex AI Pipelines
• 27. مبانی Vertex AI
• 28. ساخت پایپ لاین با Vertex AI
• 29. مدیریت داده ها در پایپ لاین ها
• 30. ذخیره سازی داده ها در Cloud Storage
• 31. استفاده از BigQuery برای داده ها
• 32. مدیریت نسخه داده ها
• 33. پایپ لاین های تشخیص داده های پرت
• 34. شناسایی و مدیریت داده های نامتعارف
• 35. حفظ کیفیت داده ها در پایپ لاین
• 36. مبانی یادگیری ماشین قابل تفسیر (XAI)
• 37. تکنیک های XAI در پایپ لاین ها
• 38. تفسیر نتایج مدل ها
• 39. مبانی یادگیری ماشین مسئولانه
• 40. اخلاق در هوش مصنوعی
• 41. پایپ لاین های یادگیری ماشین مسئولانه
• 42. تضمین انصاف در مدل ها
• 43. کاهش سوگیری در داده ها و مدل ها
• 44. حفظ حریم خصوصی در پایپ لاین ها
• 45. امنیت در خطوط لوله یادگیری ماشین
• 46. مدیریت کد و وابستگی ها
• 47. استفاده از Docker برای کانتینرسازی
• 48. استفاده از Kubernetes برای ارکستراسیون
• 49. استقرار مدل ها در محیط پروداکشن
• 50. استقرار مدل ها با Vertex AI Endpoints
• 51. استقرار مدل ها با Cloud Run
• 52. مانیتورینگ عملکرد مدل در پروداکشن
• 53. تشخیص افت عملکرد مدل
• 54. بازآموزی خودکار مدل ها
• 55. مدیریت چرخه عمر مدل ها
• 56. معرفی MLOps
• 57. اصول MLOps
• 58. پیاده سازی MLOps در گوگل کلود
• 59. ابزارهای MLOps
• 60. اتوماسیون در MLOps
• 61. تست در MLOps
• 62. ریسک یابی و مدیریت خطاها
• 63. مستندسازی خطوط لوله
• 64. همکاری تیمی در MLOps
• 65. کاربرد پایپ لاین ها در پردازش زبان طبیعی (NLP)
• 66. ساخت پایپ لاین برای تحلیل متن
• 67. کاربرد پایپ لاین ها در بینایی ماشین
• 68. ساخت پایپ لاین برای طبقه بندی تصویر
• 69. کاربرد پایپ لاین ها در سیستم های توصیه گر
• 70. ساخت پایپ لاین برای توصیه محصول
• 71. کاربرد پایپ لاین ها در تشخیص ناهنجاری
• 72. ساخت پایپ لاین برای تشخیص تقلب
• 73. کاربرد پایپ لاین ها در مدل های سری زمانی
• 74. ساخت پایپ لاین برای پیش بینی تقاضا
• 75. بهینه سازی هزینه در خطوط لوله
• 76. مدیریت منابع در گوگل کلود
• 77. استفاده بهینه از GPU و TPU
• 78. مقیاس پذیری خطوط لوله
• 79. طراحی پایپ لاین های مقیاس پذیر
• 80. ملاحظات امنیتی در پایپ لاین ها
• 81. مدیریت دسترسی ها در گوگل کلود
• 82. پایپ لاین های یادگیری تقویتی
• 83. مبانی یادگیری تقویتی
• 84. طراحی پایپ لاین برای یادگیری تقویتی
• 85. استفاده از سرویس های خاص گوگل کلود
• 86. معرفی AutoML
• 87. ساخت مدل با AutoML Tables
• 88. ساخت مدل با AutoML Vision
• 89. ساخت مدل با AutoML NLP
• 90. استفاده از TensorFlow Federated
• 91. مبانی یادگیری فدرال
• 92. پیاده سازی پایپ لاین با TensorFlow Federated
• 93. کاربرد پایپ لاین ها در اینترنت اشیا (IoT)
• 94. ساخت پایپ لاین برای داده های IoT
• 95. ملاحظات مربوط به داده های حجیم
• 96. معماری های مدرن برای پایپ لاین ها
• 97. توسعه پایپ لاین ها در محیط های چند ابری
• 98. ملاحظات قانونی و انطباق در پایپ لاین ها
• 99. استانداردهای صنعتی در MLOps
• 100. آینده خطوط لوله یادگیری ماشین