کتاب صوتی مقدمه‌ای بر یادگیری ماشین با Azure ML: از مفاهیم تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین با Azure ML: از مفاهیم تا پیاده‌سازی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پلتفرم‌های یادگیری ماشین ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و اخلاق در یادگیری ماشین
• 5. آشنایی با پلتفرم‌های یادگیری ماشین ابری
• 6. مزایای استفاده از پلتفرم‌های ابری
• 7. معرفی Azure Machine Learning
• 8. مقایسه Azure ML با سایر پلتفرم‌ها
• 9. نصب و راه‌اندازی محیط Azure ML
• 10. آشنایی با Azure ML Studio
• 11. ساخت فضای کاری (Workspace) در Azure ML
• 12. مدیریت منابع در Azure ML
• 13. مقدمه‌ای بر ساخت مجموعه داده (Dataset)
• 14. بارگذاری و آماده‌سازی داده‌ها
• 15. کار با انواع مختلف داده در Azure ML
• 16. پاکسازی و پیش‌پردازش داده‌ها
• 17. مدیریت نسخه‌های مجموعه داده
• 18. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 19. انتخاب الگوریتم مناسب برای مسئله
• 20. آموزش مدل‌های یادگیری ماشین
• 21. ارزیابی عملکرد مدل‌ها
• 22. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 23. معیارهای ارزیابی مدل‌های رگرسیون
• 24. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 25. اعتبارسنجی متقابل (Cross-validation)
• 26. تکنیک‌های کاهش ابعاد
• 27. کاهش بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 28. مقدمه‌ای بر یادگیری عمیق
• 29. شبکه‌های عصبی مصنوعی (ANN)
• 30. شبکه‌های عصبی کانولوشنی (CNN)
• 31. شبکه‌های عصبی بازگشتی (RNN)
• 32. کاربرد شبکه‌های عصبی در پردازش تصویر
• 33. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 34. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 35. انتقال یادگیری (Transfer Learning)
• 36. استفاده از مدل‌های از پیش آموزش دیده
• 37. تنظیم دقیق (Fine-tuning) مدل‌ها
• 38. استقرار مدل‌های یادگیری ماشین
• 39. روش‌های استقرار مدل: Endpoints
• 40. استقرار مدل به عنوان سرویس وبی
• 41. مدیریت چرخه عمر مدل (MLOps)
• 42. نظارت بر مدل‌های مستقر شده
• 43. بازآموزی مدل‌ها
• 44. اتوماسیون فرآیندهای یادگیری ماشین
• 45. خطوط لوله (Pipelines) در Azure ML
• 46. ساخت و اجرای خطوط لوله
• 47. مدیریت خطوط لوله
• 48. مقدمه‌ای بر هوش مصنوعی مولد
• 49. کاربردهای هوش مصنوعی مولد
• 50. تولید متن با LLM ها
• 51. تولید تصویر با مدل‌های مولد
• 52. تولید کد با مدل‌های مولد
• 53. اخلاق و مسئولیت‌پذیری در هوش مصنوعی مولد
• 54. آشنایی با مفاهیم Data Drift و Model Drift
• 55. تشخیص و مدیریت Data Drift
• 56. تشخیص و مدیریت Model Drift
• 57. بهینه‌سازی مدل برای تولید
• 58. مقدمه‌ای بر یادگیری تقویتی
• 59. عناصر کلیدی یادگیری تقویتی
• 60. الگوریتم‌های یادگیری تقویتی
• 61. کاربرد یادگیری تقویتی در رباتیک
• 62. کاربرد یادگیری تقویتی در بازی‌ها
• 63. کاربرد یادگیری تقویتی در بهینه‌سازی
• 64. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 65. اصول یادگیری فدرال
• 66. مزایای یادگیری فدرال
• 67. چالش‌های یادگیری فدرال
• 68. کاربرد یادگیری فدرال در حوزه سلامت
• 69. کاربرد یادگیری فدرال در حوزه مالی
• 70. مقدمه‌ای بر یادگیری توضیح‌پذیر (Explainable AI - XAI)
• 71. اهمیت XAI
• 72. روش‌های XAI
• 73. تفسیر نتایج مدل‌ها
• 74. ارتباط XAI با اعتماد به مدل
• 75. مقدمه‌ای بر هوش مصنوعی در لبه (Edge AI)
• 76. مزایای Edge AI
• 77. چالش‌های Edge AI
• 78. کاربرد Edge AI در اینترنت اشیاء (IoT)
• 79. کاربرد Edge AI در خودروهای خودران
• 80. مقدمه‌ای بر یادگیری بدون نیاز به برچسب (Self-supervised Learning)
• 81. تکنیک‌های Self-supervised Learning
• 82. کاربرد Self-supervised Learning
• 83. مقدمه‌ای بر یادگیری چند-وجهی (Multi-modal Learning)
• 84. کاربرد Multi-modal Learning
• 85. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 86. کاربرد Deep RL
• 87. امنیت در یادگیری ماشین
• 88. حملات به مدل‌های یادگیری ماشین
• 89. روش‌های دفاع در برابر حملات
• 90. حریم خصوصی در یادگیری ماشین
• 91. تکنیک‌های حفظ حریم خصوصی
• 92. کاربرد Azure ML در صنعت
• 93. مطالعات موردی (Case Studies) در Azure ML
• 94. آینده یادگیری ماشین و هوش مصنوعی
• 95. مسیر شغلی در حوزه یادگیری ماشین
• 96. منابع بیشتر برای یادگیری