کتاب صوتی ساخت و مدیریت فروشگاه ویژگی (Feature Store) در پلتفرم Hopsworks با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و مدیریت فروشگاه ویژگی (Feature Store) در پلتفرم Hopsworks با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: مدیریت داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فروشگاه ویژگی (Feature Store)
• 2. مفاهیم کلیدی فروشگاه ویژگی
• 3. اهمیت فروشگاه ویژگی در یادگیری ماشین
• 4. معماری فروشگاه ویژگی
• 5. مقایسه فروشگاه ویژگی با انباره داده و دریاچه داده
• 6. معرفی پلتفرم Hopsworks
• 7. نصب و راه‌اندازی Hopsworks
• 8. آشنایی با محیط کاربری Hopsworks
• 9. مفاهیم پایه در Hopsworks: پروژه‌ها، فضاهای نام
• 10. مدیریت داده در Hopsworks
• 11. مقدمه‌ای بر پایتون در Hopsworks
• 12. استفاده از Notebooks در Hopsworks
• 13. مفاهیم پایه ذخیره‌سازی داده در Hopsworks
• 14. جداول و انواع داده در Hopsworks
• 15. ایجاد اولین جدول داده
• 16. بارگذاری داده از منابع خارجی
• 17. عملیات اولیه روی داده‌ها با پایتون
• 18. مقدمه‌ای بر فروشگاه ویژگی در Hopsworks
• 19. ساخت یک فروشگاه ویژگی
• 20. مفاهیم ویژگی (Feature) و مجموعه ویژگی (Feature Group)
• 21. ایجاد یک مجموعه ویژگی
• 22. تعریف ویژگی‌ها و انواع داده آن‌ها
• 23. بارگذاری داده به مجموعه ویژگی
• 24. استفاده از Python SDK برای فروشگاه ویژگی
• 25. عملیات روی مجموعه‌های ویژگی
• 26. پیکربندی فروشگاه ویژگی
• 27. تنظیمات پیشرفته فروشگاه ویژگی
• 28. بازیابی داده از فروشگاه ویژگی
• 29. بازیابی یک ویژگی خاص
• 30. بازیابی مجموعه‌ای از ویژگی‌ها
• 31. بازیابی ویژگی‌ها برای آموزش مدل
• 32. بازیابی ویژگی‌ها برای پیش‌بینی
• 33. مدیریت نسخه‌بندی مجموعه‌های ویژگی
• 34. ردیابی تغییرات در مجموعه‌های ویژگی
• 35. استفاده از نسخه‌های مختلف مجموعه‌های ویژگی
• 36. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 37. تکنیک‌های رایج مهندسی ویژگی
• 38. ایجاد ویژگی‌های جدید از داده‌های موجود
• 39. تبدیل داده‌های دسته‌ای به عددی
• 40. مقیاس‌بندی ویژگی‌ها
• 41. کدگذاری ویژگی‌های متنی
• 42. کاهش ابعاد ویژگی‌ها
• 43. تکنیک‌های پیچیده‌تر مهندسی ویژگی
• 44. استفاده از Python SDK برای مهندسی ویژگی
• 45. ایجاد Feature Groups پویا
• 46. به‌روزرسانی خودکار Feature Groups
• 47. مدیریت چرخه حیات فروشگاه ویژگی
• 48. نظارت بر فروشگاه ویژگی
• 49. بررسی کیفیت داده‌ها
• 50. شناسایی داده‌های پرت
• 51. اعتبارسنجی مجموعه‌های ویژگی
• 52. امنیت در فروشگاه ویژگی
• 53. کنترل دسترسی به مجموعه‌های ویژگی
• 54. مدیریت مجوزها
• 55. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 56. انواع مدل‌های یادگیری ماشین
• 57. مراحل ساخت یک مدل یادگیری ماشین
• 58. اهمیت داده‌ها در یادگیری ماشین
• 59. نقش فروشگاه ویژگی در ML Ops
• 60. یکپارچه‌سازی فروشگاه ویژگی با پلتفرم‌های ML
• 61. اتصال Hopsworks به TensorFlow
• 62. اتصال Hopsworks به PyTorch
• 63. استفاده از ویژگی‌ها برای آموزش مدل‌های یادگیری عمیق
• 64. آموزش مدل با داده‌های فروشگاه ویژگی
• 65. ارزیابی مدل با استفاده از داده‌های فروشگاه ویژگی
• 66. پیش‌بینی با مدل آموزش‌دیده
• 67. استفاده از ویژگی‌های به‌روز برای پیش‌بینی
• 68. مقدمه‌ای بر MLOps
• 69. فروشگاه ویژگی در MLOps
• 70. استقرار مدل‌ها
• 71. نظارت بر مدل‌ها در محیط عملیاتی
• 72. بازآموزی مدل‌ها
• 73. مدیریت چرخه عمر مدل
• 74. مقدمه‌ای بر داده‌های سری زمانی
• 75. ویژگی‌های سری زمانی در فروشگاه ویژگی
• 76. مهندسی ویژگی برای داده‌های سری زمانی
• 77. استفاده از داده‌های سری زمانی در Hopsworks
• 78. کار با داده‌های گرافی
• 79. مفاهیم پایگاه داده گرافی
• 80. استفاده از داده‌های گرافی در Hopsworks
• 81. مهندسی ویژگی برای داده‌های گرافی
• 82. معرفی APIهای پیشرفته Hopsworks
• 83. استفاده از Job Scheduler در Hopsworks
• 84. مدیریت پروژه‌های بزرگتر
• 85. مقیاس‌پذیری فروشگاه ویژگی
• 86. بهینه‌سازی عملکرد فروشگاه ویژگی
• 87. نکات و ترفندهای پیشرفته
• 88. مطالعات موردی استفاده از Hopsworks
• 89. فروشگاه ویژگی در صنعت مالی
• 90. فروشگاه ویژگی در صنعت خرده‌فروشی
• 91. فروشگاه ویژگی در حوزه بهداشت و درمان
• 92. آینده فروشگاه‌های ویژگی
• 93. جمع‌بندی و گام‌های بعدی