کتاب صوتی مبانی یادگیری ماشین با استفاده از پلتفرم ابری Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با استفاده از پلتفرم ابری Azure

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
• 2. مفاهیم پایهٔ مهندسی نرم‌افزار
• 3. چرخهٔ حیات توسعهٔ نرم‌افزار
• 4. الزامات نرم‌افزاری و تحلیل آن
• 5. طراحی سیستم‌های نرم‌افزاری
• 6. معماری نرم‌افزار و الگوهای طراحی
• 7. تست نرم‌افزار و تضمین کیفیت
• 8. مدیریت پروژهٔ نرم‌افزاری
• 9. مبانی هوش مصنوعی
• 10. تاریخچهٔ هوش مصنوعی
• 11. انواع یادگیری ماشین
• 12. یادگیری با نظارت
• 13. یادگیری بدون نظارت
• 14. یادگیری تقویتی
• 15. شبکه‌های عصبی مصنوعی
• 16. معماری‌های عمیق یادگیری
• 17. شبکه‌های کانولوشنال (CNN)
• 18. شبکه‌های بازگشتی (RNN)
• 19. مدل‌های ترنسفورمر
• 20. پردازش زبان طبیعی (NLP)
• 21. مبانی Azure برای یادگیری ماشین
• 22. معرفی پلتفرم Azure Machine Learning
• 23. محیط‌های توسعه در Azure ML
• 24. مدیریت داده در Azure ML
• 25. آماده‌سازی و مهندسی ویژگی
• 26. انتخاب و آموزش مدل‌های یادگیری ماشین
• 27. ارزیابی و سنجش عملکرد مدل
• 28. تنظیم ابرپارامترها
• 29. استقرار مدل‌ها در Azure
• 30. نظارت بر مدل‌های مستقر شده
• 31. یادگیری ماشین تفسیری (XAI)
• 32. پردازش تصویر با یادگیری ماشین
• 33. تشخیص اشیاء
• 34. تقسیم‌بندی تصویر
• 35. پردازش صدا با یادگیری ماشین
• 36. تشخیص گفتار
• 37. تولید صدا
• 38. یادگیری عمیق در پردازش زبان طبیعی
• 39. مدل‌سازی موضوعی
• 40. تحلیل احساسات
• 41. ترجمه ماشینی
• 42. سیستم‌های توصیه‌گر
• 43. مبانی سیستم‌های توصیه‌گر
• 44. فیلتر مشارکتی
• 45. فیلتر مبتنی بر محتوا
• 46. یادگیری عمیق برای توصیه‌گرها
• 47. یادگیری ماشین برای امنیت سایبری
• 48. شناسایی نفوذ
• 49. تشخیص بدافزار
• 50. امنیت در Azure ML
• 51. هوش مصنوعی اخلاقی و مسئولانه
• 52. سوگیری در مدل‌های یادگیری ماشین
• 53. شفافیت و قابلیت توضیح‌پذیری
• 54. حریم خصوصی داده‌ها در هوش مصنوعی
• 55. کاربردهای یادگیری ماشین در صنعت
• 56. یادگیری ماشین در بهداشت و درمان
• 57. یادگیری ماشین در مالی
• 58. یادگیری ماشین در تولید
• 59. یادگیری ماشین در خرده‌فروشی
• 60. یادگیری ماشین در حمل و نقل
• 61. مقدمه‌ای بر Azure Databricks
• 62. تحلیل داده‌های حجیم با Azure Databricks
• 63. مهندسی ویژگی با Apache Spark
• 64. مدل‌سازی پیشرفته با Azure Databricks
• 65. کاربرد هوش مصنوعی در اتوماسیون فرآیندها
• 66. ربات‌های نرم‌افزاری (RPA)
• 67. هوش مصنوعی در پشتیبانی مشتری
• 68. هوش مصنوعی در مدیریت زنجیره تأمین
• 69. مبانی یادگیری تقویتی پیشرفته
• 70. الگوریتم‌های Actor-Critic
• 71. یادگیری عمیق تقویتی
• 72. کاربرد یادگیری تقویتی در رباتیک
• 73. کاربرد یادگیری تقویتی در بازی‌ها
• 74. یادگیری ماشین خودکار (AutoML)
• 75. AutoML در Azure ML
• 76. مؤلفه‌های AutoML
• 77. بهینه‌سازی فرآیند توسعه با AutoML
• 78. مقدمه‌ای بر MLOps
• 79. اصول MLOps
• 80. پیاده‌سازی MLOps در Azure
• 81. مدیریت چرخه عمر مدل
• 82. کنترل نسخه و بازتولیدپذیری
• 83. خودکارسازی خطوط لوله یادگیری ماشین
• 84. نظارت و نگهداری مدل‌ها در تولید
• 85. مدیریت دانش در پروژه‌های یادگیری ماشین
• 86. مستندسازی پروژه‌ها
• 87. به اشتراک‌گذاری دانش
• 88. یادگیری مداوم و به‌روزرسانی مدل‌ها
• 89. کاربرد یادگیری ماشین در تحلیل داده‌های مکانی
• 90. پردازش داده‌های ماهواره‌ای
• 91. تحلیل داده‌های GIS
• 92. مدل‌سازی پیش‌بینی‌کننده در داده‌های مکانی
• 93. مباحث پیشرفته در شبکه‌های عصبی
• 94. شبکه‌های مولد تخاصمی (GANs)
• 95. شبکه‌های خودرمزگذار (Autoencoders)
• 96. مدل‌های گراف عصبی (GNNs)
• 97. یادگیری ماشین در داده‌های سری زمانی
• 98. تحلیل و پیش‌بینی داده‌های سری زمانی
• 99. مدل‌های ARIMA و LSTM
• 100. کاربرد در بازارهای مالی و آب و هوا