کتاب صوتی ساخت و مدیریت خطوط لوله یادگیری ماشین در Google Cloud Platform

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و مدیریت خطوط لوله یادگیری ماشین در Google Cloud Platform

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی خطوط لوله یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم بنیادی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. معرفی Google Cloud Platform
• 6. خدمات ابری برای یادگیری ماشین در Google Cloud
• 7. محیط‌های توسعه در Google Cloud
• 8. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 9. اهمیت و ضرورت خطوط لوله
• 10. مراحل کلیدی در ساخت خط لوله یادگیری ماشین
• 11. جمع‌آوری و آماده‌سازی داده‌ها
• 12. نمونه‌گیری و تقسیم داده‌ها
• 13. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 14. مهندسی ویژگی: انتخاب و ساخت ویژگی‌ها
• 15. آموزش مدل‌های یادگیری ماشین
• 16. انتخاب الگوریتم مناسب
• 17. تنظیم هایپرپارامترها
• 18. ارزیابی مدل و معیارهای عملکرد
• 19. مقدمه‌ای بر TensorFlow و Keras
• 20. پیاده‌سازی مدل با TensorFlow
• 21. استفاده از Keras برای ساخت مدل‌های ساده
• 22. مدیریت داده با BigQuery
• 23. بارگذاری داده‌ها در BigQuery
• 24. کوئری‌نویسی برای تحلیل داده‌ها
• 25. اتصال BigQuery به ابزارهای یادگیری ماشین
• 26. معرفی Vertex AI
• 27. قابلیت‌های Vertex AI برای خطوط لوله
• 28. مدیریت چرخه عمر مدل در Vertex AI
• 29. ساخت اولین خط لوله با Vertex AI Pipelines
• 30. تعریف کامپوننت‌های خط لوله
• 31. اجرای خط لوله و مشاهده نتایج
• 32. مانیتورینگ و مدیریت خطوط لوله
• 33. ثبت و ردیابی اجرای خط لوله
• 34. بررسی لاگ‌ها و خطاها
• 35. بهینه‌سازی عملکرد خط لوله
• 36. مقیاس‌پذیری خطوط لوله
• 37. استفاده از ماشین‌های مجازی (VMs) برای پردازش
• 38. استفاده از کانتینرها (Docker)
• 39. استقرار مدل‌ها در Google Cloud
• 40. استقرار مدل به عنوان یک سرویس API
• 41. استفاده از Vertex AI Endpoints
• 42. تست و اعتبارسنجی مدل مستقر شده
• 43. بازآموزی مدل و به‌روزرسانی خط لوله
• 44. استراتژی‌های بازآموزی مدل
• 45. خودکارسازی فرآیند بازآموزی
• 46. مدیریت نسخه مدل‌ها
• 47. حاکمیت داده و مدل
• 48. استانداردهای امنیتی در Google Cloud
• 49. مدیریت دسترسی‌ها و مجوزها
• 50. رعایت حریم خصوصی داده‌ها
• 51. اصول اخلاقی در هوش مصنوعی
• 52. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 53. شفافیت در مدل‌ها و تصمیم‌گیری‌ها
• 54. کاربردهای پیشرفته یادگیری ماشین
• 55. یادگیری عمیق و شبکه‌های عصبی
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. شبکه‌های عصبی بازگشتی (RNN)
• 58. پردازش زبان طبیعی (NLP)
• 59. کاربرد NLP در تحلیل متنی
• 60. مدل‌های زبانی پیشرفته
• 61. بینایی ماشین و تشخیص تصویر
• 62. کاربرد بینایی ماشین در تحلیل تصاویر
• 63. تشخیص اشیاء و تقسیم‌بندی تصاویر
• 64. سیستم‌های توصیه‌گر
• 65. معماری سیستم‌های توصیه‌گر
• 66. فیلترینگ مشارکتی و محتوایی
• 67. یادگیری تقویتی در عمل
• 68. کاربرد یادگیری تقویتی در رباتیک
• 69. کاربرد یادگیری تقویتی در بازی‌ها
• 70. یادگیری ماشین توزیع شده
• 71. آموزش مدل‌ها بر روی چندین ماشین
• 72. استفاده از Ray برای یادگیری توزیع شده
• 73. مقدمه‌ای بر MLOps
• 74. اصول و مفاهیم MLOps
• 75. تفاوت MLOps با DevOps
• 76. ابزارها و روش‌ها در MLOps
• 77. اتوماسیون تست در خطوط لوله
• 78. تست واحد، تست ادغام، تست پذیرش
• 79. تست تشخیص انحراف داده (Data Drift)
• 80. تست انحراف مدل (Model Drift)
• 81. مستندسازی خطوط لوله و مدل‌ها
• 82. راهنماهای توسعه و استقرار
• 83. گزارش‌های عملکرد و ارزیابی
• 84. نظارت مداوم بر عملکرد مدل
• 85. داشبوردهای نظارتی
• 86. تنظیم هشدار برای انحرافات
• 87. مدیریت هزینه در Google Cloud
• 88. بهینه‌سازی استفاده از منابع
• 89. انتخاب سرویس‌های مناسب
• 90. پیگیری و گزارش‌دهی هزینه‌ها
• 91. مطالعات موردی خطوط لوله یادگیری ماشین
• 92. مثال عملی: ساخت خط لوله برای پیش‌بینی فروش
• 93. مثال عملی: ساخت خط لوله برای تشخیص تقلب
• 94. مثال عملی: ساخت خط لوله برای پردازش تصاویر پزشکی
• 95. آینده خطوط لوله یادگیری ماشین
• 96. روندهای نوظهور در MLOps
• 97. هوش مصنوعی قابل توضیح (XAI)
• 98. یادگیری ماشین فدرال
• 99. جمع‌بندی و گام‌های بعدی
• 100. مرور مفاهیم کلیدی