کتاب صوتی ارزیابی و تحلیل عملکرد مدل‌های یادگیری ماشین در AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی و تحلیل عملکرد مدل‌های یادگیری ماشین در AWS

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ارزیابی عملکرد مدل‌های یادگیری ماشین
• 2. اهمیت ارزیابی دقیق مدل‌ها
• 3. معیارهای اساسی ارزیابی مدل
• 4. فهم معیارهای طبقه‌بندی
• 5. دقت (Accuracy) در طبقه‌بندی
• 6. حساسیت (Sensitivity) و بازیابی (Recall)
• 7. ویژگی (Specificity)
• 8. مقیاس‌پذیری (Precision)
• 9. امتیاز F1 (F1-Score)
• 10. ماتریس درهم‌ریختگی (Confusion Matrix)
• 11. تحلیل ماتریس درهم‌ریختگی
• 12. شناسایی خطاهای نوع اول و دوم
• 13. منحنی ROC و AUC
• 14. تفسیر منحنی ROC
• 15. محاسبه AUC (Area Under the Curve)
• 16. معیارهای رگرسیون
• 17. خطای میانگین مربعات (MSE)
• 18. ریشه خطای میانگین مربعات (RMSE)
• 19. خطای میانگین قدر مطلق (MAE)
• 20. ضریب تعیین (R-squared)
• 21. ارزیابی مدل‌های خوشه‌بندی
• 22. شاخص سیلوئت (Silhouette Score)
• 23. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 24. معیارهای ارزیابی مدل‌های تشخیص اشیاء
• 25. دقت در تشخیص (Detection Accuracy)
• 26. همپوشانی جعبه مرزی (Bounding Box Overlap)
• 27. شاخص میانگین دقت (mAP)
• 28. ارزیابی مدل‌های پردازش زبان طبیعی (NLP)
• 29. Perplexity در مدل‌های زبانی
• 30. BLEU Score برای ترجمه ماشینی
• 31. ROUGE Score برای خلاصه‌سازی
• 32. فهم و تحلیل بایاس در مدل‌ها
• 33. شناسایی بایاس نژادی و جنسیتی
• 34. تکنیک‌های کاهش بایاس
• 35. اهمیت داده‌های نماینده
• 36. ارزیابی مدل در طول زمان
• 37. انحراف داده (Data Drift)
• 38. انحراف مدل (Model Drift)
• 39. استراتژی‌های نظارت بر عملکرد مدل
• 40. تنظیم مجدد (Retraining) مدل‌ها
• 41. ارزیابی مدل‌های پیش‌بینی سری زمانی
• 42. خطای میانگین مربعات فصلی (Seasonal MSE)
• 43. خطای میانگین مطلق فصلی (Seasonal MAE)
• 44. معیارهای ارزیابی مدل‌های تولید متن
• 45. Perplexity و کیفیت متن تولیدی
• 46. ارزیابی مدل‌های تولید تصویر
• 47. شاخص‌های کیفیت تصویر تولیدی
• 48. معیارهای ارزیابی مدل‌های توصیه‌گر
• 49. دقت در توصیه‌ها
• 50. پوشش و تنوع توصیه‌ها
• 51. معیارهای ارزیابی مدل‌های تشخیص ناهنجاری
• 52. دقت در تشخیص ناهنجاری
• 53. نرخ مثبت کاذب (False Positive Rate)
• 54. نرخ منفی کاذب (False Negative Rate)
• 55. ارزیابی مدل‌های یادگیری تقویتی
• 56. پاداش تجمعی (Cumulative Reward)
• 57. نرخ موفقیت (Success Rate)
• 58. هزینه محاسباتی ارزیابی
• 59. استفاده از داده‌های تست و اعتبارسنجی
• 60. تقسیم‌بندی داده‌ها
• 61. اعتبارسنجی متقابل (Cross-validation)
• 62. تکنیک‌های اعتبارسنجی متقابل K-Fold
• 63. اعتبارسنجی متقابل Stratified K-Fold
• 64. اعتبارسنجی متقابل Leave-One-Out
• 65. مدیریت مجموعه داده‌های بزرگ
• 66. ابزارهای مانیتورینگ عملکرد مدل در AWS
• 67. Amazon SageMaker Model Monitor
• 68. Amazon SageMaker Debugger
• 69. Amazon SageMaker Clarify
• 70. تفسیرپذیری (Interpretability) مدل‌ها
• 71. روش‌های LIME و SHAP
• 72. تحلیل اهمیت ویژگی‌ها
• 73. ارزیابی مدل‌های یادگیری عمیق
• 74. نکات خاص در ارزیابی شبکه‌های عصبی
• 75. معیارهای ارزیابی مدل‌های یادگیری توزیع‌شده
• 76. چالش‌های ارزیابی در محیط‌های ابری
• 77. بهینه‌سازی معیارهای ارزیابی
• 78. انتخاب معیار مناسب برای هر مسئله
• 79. ملاحظات اخلاقی در ارزیابی مدل
• 80. شفافیت در فرآیند ارزیابی
• 81. مستندسازی فرآیند ارزیابی
• 82. گزارش‌دهی نتایج ارزیابی
• 83. استفاده از داشبوردهای مدیریتی
• 84. تعریف اهداف کسب‌وکار برای ارزیابی
• 85. ارزیابی هزینه-منفعت مدل‌ها
• 86. تحلیل حساسیت پارامترها
• 87. ارزیابی مدل‌های Real-time
• 88. مدیریت ریسک در استقرار مدل
• 89. بازخورد از کاربران نهایی
• 90. چرخه عمر ارزیابی مدل
• 91. ارزیابی مدل‌های نیمه‌نظارتی (Semi-supervised)
• 92. ارزیابی مدل‌های خودنظارتی (Self-supervised)
• 93. نکات تکمیلی در تحلیل ماتریس درهم‌ریختگی
• 94. فراتر از معیارهای استاندارد
• 95. اهمیت ارزیابی در صنعت
• 96. ملاحظات امنیتی در ارزیابی مدل
• 97. ارزیابی مدل‌های مبتنی بر قوانین
• 98. ارزیابی مدل‌های مبتنی بر دانش
• 99. ارزیابی مدل‌های ترکیبی
• 100. تکنیک‌های بصری‌سازی نتایج ارزیابی