کتاب صوتی تخصصی مهندسی یادگیری ماشین با AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخصصی مهندسی یادگیری ماشین با AWS

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین در پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر هوش مصنوعی
• 3. مفاهیم کلیدی یادگیری ماشین
• 4. انواع یادگیری ماشین
• 5. یادگیری نظارت‌شده
• 6. یادگیری نظارت‌نشده
• 7. یادگیری تقویتی
• 8. آماده‌سازی داده‌ها برای یادگیری ماشین
• 9. پاک‌سازی داده‌ها
• 10. مهندسی ویژگی
• 11. انتخاب ویژگی
• 12. معرفی AWS
• 13. خدمات AWS برای یادگیری ماشین
• 14. Amazon SageMaker
• 15. ساخت مدل‌های یادگیری ماشین با SageMaker
• 16. آموزش مدل‌های یادگیری ماشین
• 17. ارزیابی مدل‌ها
• 18. تنظیم ابرپارامترها
• 19. استقرار مدل‌های یادگیری ماشین
• 20. مدل‌های یادگیری عمیق
• 21. شبکه‌های عصبی کانولوشنی (CNN)
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. پردازش زبان طبیعی (NLP)
• 24. تکنیک‌های NLP در AWS
• 25. تحلیل احساسات
• 26. مدل‌سازی موضوعی
• 27. ترجمه ماشینی
• 28. تشخیص تصویر
• 29. تشخیص اشیاء
• 30. طبقه‌بندی تصویر
• 31. سفارشی‌سازی مدل‌های NLP
• 32. Amazon Comprehend
• 33. Amazon Translate
• 34. Amazon Rekognition
• 35. Amazon Personalize
• 36. سیستم‌های توصیه‌گر
• 37. ایجاد سیستم‌های توصیه‌گر
• 38. ملاحظات امنیتی در یادگیری ماشین
• 39. امنیت داده‌ها در AWS
• 40. حریم خصوصی داده‌ها
• 41. نظارت بر مدل‌ها
• 42. مدیریت چرخه عمر مدل
• 43. استفاده از ابزارهای MLOps
• 44. مستندسازی مدل‌ها
• 45. اخلاق در هوش مصنوعی
• 46. سوگیری در داده‌ها و مدل‌ها
• 47. عدالت در هوش مصنوعی
• 48. شفافیت در مدل‌ها
• 49. مسئولیت‌پذیری در هوش مصنوعی
• 50. مقیاس‌پذیری در یادگیری ماشین
• 51. بهینه‌سازی عملکرد مدل
• 52. استفاده از GPU برای آموزش
• 53. استفاده از سرویس‌های مدیریت‌شده AWS
• 54. Amazon EMR برای پردازش داده‌های بزرگ
• 55. Amazon Redshift برای انباره داده
• 56. Amazon Athena برای پرس‌وجوهای تعاملی
• 57. داده‌کاوی و تحلیل داده
• 58. مصورسازی داده‌ها
• 59. ساخت داشبوردهای تحلیلی
• 60. استفاده از AWS Glue برای ETL
• 61. معرفی معماری‌های یادگیری ماشین
• 62. معماری‌های پردازش دسته‌ای
• 63. معماری‌های پردازش جریانی
• 64. استفاده از AWS Lambda برای اجرای کد
• 65. معرفی کانتینرها در یادگیری ماشین
• 66. Docker
• 67. Amazon Elastic Kubernetes Service (EKS)
• 68. Amazon Elastic Container Service (ECS)
• 69. Deploying ML models with containers
• 70. مدیریت پیکربندی در پروژه‌های ML
• 71. ابزارهای مدیریت نسخه کد
• 72. ابزارهای مدیریت وابستگی‌ها
• 73. نظارت بر زیرساخت AWS
• 74. Amazon CloudWatch
• 75. AWS CloudTrail
• 76. پیاده‌سازی CI/CD برای مدل‌های ML
• 77. مقدمه‌ای بر داده‌های سری زمانی
• 78. مدل‌سازی سری زمانی با AWS
• 79. پیش‌بینی تقاضا
• 80. شناسایی ناهنجاری در داده‌ها
• 81. کاربرد یادگیری ماشین در صنعت
• 82. یادگیری ماشین در امور مالی
• 83. یادگیری ماشین در سلامت
• 84. یادگیری ماشین در خرده‌فروشی
• 85. یادگیری ماشین در تولید
• 86. بهبود فرآیندهای کسب‌وکار با ML
• 87. اتوماسیون وظایف با ML
• 88. تصمیم‌گیری مبتنی بر داده
• 89. مقدمات یادگیری عمیق پیشرفته
• 90. شبکه‌های مولد تخاصمی (GANs)
• 91. یادگیری انتقالی (Transfer Learning)
• 92. مدل‌های ترنسفورمر
• 93. کاربرد مدل‌های ترنسفورمر در NLP
• 94. مدل‌های زبان بزرگ (LLMs)
• 95. مقدمات مهندسی Prompt
• 96. تنظیم دقیق مدل‌های LLM
• 97. استقرار LLMs در AWS
• 98. ملاحظات عملیاتی برای LLMs
• 99. هوش مصنوعی مولد (Generative AI)
• 100. کاربردهای هوش مصنوعی مولد