کتاب صوتی ارزیابی مدل‌های یادگیری ماشین در Vertex AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی مدل‌های یادگیری ماشین در Vertex AI

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: عملیات یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ارزیابی مدل در یادگیری ماشین
• 2. اهمیت ارزیابی مدل در چرخه عمر یادگیری ماشین
• 3. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 4. دقت (Accuracy) و محدودیت‌های آن
• 5. حساسیت (Sensitivity) یا بازیابی (Recall)
• 6. ویژگی (Specificity)
• 7. مقیاس‌پذیری (Precision)
• 8. امتیاز F1 (F1-Score)
• 9. ماتریس درهم‌ریختگی (Confusion Matrix)
• 10. تحلیل منحنی ROC و AUC
• 11. استفاده از منحنی Precision-Recall
• 12. معیارهای ارزیابی مدل‌های رگرسیون
• 13. خطای میانگین مربعات (MSE)
• 14. ریشه خطای میانگین مربعات (RMSE)
• 15. خطای میانگین قدر مطلق (MAE)
• 16. ضریب تعیین (R-squared)
• 17. خطای درصدی میانگین مطلق (MAPE)
• 18. ارزیابی مدل‌های خوشه‌بندی
• 19. شاخص سیلوئت (Silhouette Score)
• 20. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 21. ارزیابی مدل‌های تشخیص ناهنجاری
• 22. معیارهای ارزیابی مدل‌های پردازش زبان طبیعی
• 23. امتیاز BLEU برای ترجمه ماشینی
• 24. امتیاز ROUGE برای خلاصه‌سازی متن
• 25. ارزیابی مدل‌های بینایی ماشین
• 26. معیارهای تشخیص اشیاء
• 27. معیارهای تقسیم‌بندی تصاویر
• 28. استانداردهای ارزیابی در Vertex AI
• 29. مقدمه‌ای بر Vertex AI Model Evaluation
• 30. پلتفرم Vertex AI برای ارزیابی مدل
• 31. تنظیمات ارزیابی مدل در Vertex AI
• 32. انتخاب معیارهای مناسب برای ارزیابی
• 33. تنظیم پارامترهای ارزیابی در Vertex AI
• 34. بارگذاری داده‌های ارزیابی
• 35. اجرای ارزیابی مدل در Vertex AI
• 36. مشاهده نتایج ارزیابی در داشبورد Vertex AI
• 37. تجزیه و تحلیل بصری نتایج ارزیابی
• 38. گزارش‌دهی نتایج ارزیابی مدل
• 39. مقایسه مدل‌های مختلف با استفاده از Vertex AI
• 40. ردیابی تاریخچه ارزیابی مدل‌ها
• 41. مدیریت نسخه‌های مدل و نتایج ارزیابی
• 42. اتوماسیون فرآیند ارزیابی مدل
• 43. یکپارچه‌سازی ارزیابی مدل با چرخه MLOps
• 44. استفاده از Vertex AI Pipelines برای ارزیابی
• 45. تعیین آستانه‌های ارزیابی برای استقرار مدل
• 46. مدیریت انحراف مدل (Model Drift)
• 47. تشخیص انحراف داده (Data Drift)
• 48. تشخیص انحراف مفهوم (Concept Drift)
• 49. تکنیک‌های کاهش انحراف مدل
• 50. بازآموزی مدل بر اساس نتایج ارزیابی
• 51. نظارت بر عملکرد مدل در محیط عملیاتی
• 52. مدیریت ریسک در استقرار مدل‌های یادگیری ماشین
• 53. اهمیت اعتبارسنجی مدل (Model Validation)
• 54. تکنیک‌های اعتبارسنجی متقابل (Cross-validation)
• 55. اعتبارسنجی متقابل K-Fold
• 56. اعتبارسنجی متقابل Leave-One-Out
• 57. اعتبارسنجی استراتیفاید (Stratified Validation)
• 58. اعتبارسنجی زمانی (Time-Series Validation)
• 59. انتخاب داده‌های اعتبارسنجی مناسب
• 60. تأثیر حجم داده بر ارزیابی مدل
• 61. تأثیر کیفیت داده بر ارزیابی مدل
• 62. شناسایی و مدیریت داده‌های پرت (Outliers)
• 63. تکنیک‌های پیش‌پردازش داده برای ارزیابی
• 64. استانداردسازی و نرمال‌سازی داده‌ها
• 65. رمزگذاری ویژگی‌های دسته‌ای (Categorical Features)
• 66. مهندسی ویژگی (Feature Engineering) برای ارزیابی
• 67. تأثیر مهندسی ویژگی بر معیارهای ارزیابی
• 68. ارزیابی مدل‌های یادگیری عمیق
• 69. معیارهای خاص برای شبکه‌های عصبی کانولوشنال
• 70. معیارهای خاص برای شبکه‌های عصبی بازگشتی
• 71. ارزیابی مدل‌های یادگیری تقویتی
• 72. معیارهای ارزیابی در یادگیری تقویتی
• 73. ملاحظات اخلاقی در ارزیابی مدل
• 74. سوگیری در داده‌ها و مدل‌ها
• 75. تأثیر سوگیری بر معیارهای ارزیابی
• 76. کاهش سوگیری در فرآیند ارزیابی
• 77. شفافیت و قابلیت تفسیر مدل (Explainability)
• 78. تکنیک‌های تفسیرپذیری مدل
• 79. تجزیه و تحلیل اهمیت ویژگی
• 80. تکنیک LIME و SHAP
• 81. ارزیابی مدل‌های دفاعی در برابر حملات
• 82. ملاحظات امنیتی در ارزیابی مدل
• 83. استفاده از ابزارهای متن‌باز برای ارزیابی
• 84. کتابخانه‌های پایتون برای ارزیابی مدل
• 85. TensorFlow Model Analysis
• 86. PyTorch Model Evaluation
• 87. Scikit-learn Metrics
• 88. جمع‌بندی و گام‌های بعدی در ارزیابی مدل
• 89. بهبود مداوم فرآیند ارزیابی مدل
• 90. آینده ارزیابی مدل در یادگیری ماشین
• 91. نکات کلیدی در ارزیابی مدل‌های یادگیری ماشین
• 92. تمرینات عملی ارزیابی مدل در Vertex AI
• 93. مطالعه موردی: ارزیابی مدل پیش‌بینی فروش
• 94. مطالعه موردی: ارزیابی مدل تشخیص تقلب
• 95. مطالعه موردی: ارزیابی مدل طبقه‌بندی تصاویر پزشکی