کتاب صوتی راهنمای جامع استفاده از مدل‌های آماده در Amazon SageMaker JumpStart

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع استفاده از مدل‌های آماده در Amazon SageMaker JumpStart

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: یادگیری ماشین و مدل‌های از پیش آموزش‌دیده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فناوری اطلاعات و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مفاهیم کلیدی در یادگیری ماشین
• 8. داده‌ها در یادگیری ماشین
• 9. پیش‌پردازش داده‌ها
• 10. مهندسی ویژگی
• 11. انتخاب مدل
• 12. ارزیابی مدل
• 13. تنظیم فراپارامترها
• 14. مدل‌های خطی
• 15. رگرسیون خطی
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. درختان تصمیم
• 19. جنگل‌های تصادفی
• 20. تقویت گرادیان
• 21. شبکه‌های عصبی مصنوعی
• 22. مبانی شبکه‌های عصبی
• 23. شبکه‌های عصبی کانولوشنال (CNN)
• 24. شبکه‌های عصبی بازگشتی (RNN)
• 25. مدل‌های زبانی
• 26. ترنسفورمرها
• 27. مقدمه‌ای بر مدل‌های از پیش آموزش‌دیده
• 28. مزایای مدل‌های از پیش آموزش‌دیده
• 29. Amazon SageMaker JumpStart
• 30. معرفی SageMaker JumpStart
• 31. کاوش مدل‌های موجود در JumpStart
• 32. دسته‌بندی مدل‌ها در JumpStart
• 33. مدل‌های پردازش زبان طبیعی (NLP)
• 34. مدل‌های بینایی ماشین
• 35. مدل‌های یادگیری تقویتی
• 36. مدل‌های یادگیری نظارت نشده
• 37. نحوه انتخاب مدل مناسب
• 38. معیارهای انتخاب مدل
• 39. ملاحظات اخلاقی در انتخاب مدل
• 40. نکات فنی برای انتخاب مدل
• 41. آماده‌سازی محیط توسعه
• 42. نصب ابزارهای لازم
• 43. پیکربندی محیط AWS
• 44. استفاده از SageMaker Studio
• 45. استقرار مدل‌های آماده
• 46. فرایند استقرار مدل
• 47. انواع روش‌های استقرار
• 48. استقرار برای پیش‌بینی در زمان واقعی
• 49. استقرار برای پردازش دسته‌ای
• 50. بهینه‌سازی استقرار مدل
• 51. مانیتورینگ عملکرد مدل
• 52. تکنیک‌های مانیتورینگ
• 53. شناسایی انحراف داده (Data Drift)
• 54. شناسایی انحراف مدل (Model Drift)
• 55. مدیریت چرخه حیات مدل
• 56. بازآموزی مدل
• 57. استفاده از داده‌های جدید
• 58. ارزیابی مجدد مدل
• 59. به‌روزرسانی مدل مستقر شده
• 60. مدیریت نسخه‌های مدل
• 61. کاربرد مدل‌های NLP در JumpStart
• 62. ترجمه ماشینی
• 63. خلاصه‌سازی متن
• 64. تحلیل احساسات
• 65. طبقه‌بندی متن
• 66. تشخیص موجودیت نام‌گذاری شده (NER)
• 67. تولید متن
• 68. کاربرد مدل‌های بینایی ماشین در JumpStart
• 69. طبقه‌بندی تصویر
• 70. تشخیص اشیاء
• 71. تقسیم‌بندی تصویر
• 72. تولید تصویر
• 73. کاربرد مدل‌های یادگیری تقویتی در JumpStart
• 74. کاربردهای عمومی یادگیری تقویتی
• 75. مثال‌های عملی یادگیری تقویتی
• 76. کاربرد مدل‌های یادگیری نظارت نشده در JumpStart
• 77. خوشه‌بندی داده‌ها
• 78. کاهش ابعاد
• 79. تشخیص ناهنجاری
• 80. کاربردهای پیشرفته در JumpStart
• 81. مدل‌های ترکیبی (Ensemble Models)
• 82. یادگیری انتقالی (Transfer Learning)
• 83. تنظیم دقیق مدل‌های از پیش آموزش‌دیده (Fine-tuning)
• 84. ملاحظات امنیتی در استفاده از مدل‌های آماده
• 85. مدیریت دسترسی به مدل‌ها
• 86. حفاظت از داده‌های آموزشی
• 87. رعایت مقررات حاکم بر داده‌ها
• 88. نمونه‌های کاربردی از JumpStart در صنایع
• 89. کاربرد در حوزه سلامت
• 90. کاربرد در حوزه مالی
• 91. کاربرد در حوزه خرده‌فروشی
• 92. کاربرد در حوزه تولید
• 93. آینده هوش مصنوعی و مدل‌های آماده
• 94. روندهای نوظهور در مدل‌های از پیش آموزش‌دیده
• 95. چالش‌های پیش رو در توسعه هوش مصنوعی
• 96. نقش مدل‌های آماده در دموکراتیزه کردن هوش مصنوعی
• 97. اهمیت توسعه پایدار در هوش مصنوعی
• 98. اخلاق در هوش مصنوعی و مدل‌های آماده
• 99. مسئولیت‌پذیری در استفاده از مدل‌های هوش مصنوعی
• 100. شفافیت در مدل‌های هوش مصنوعی