کتاب صوتی ساخت و مدیریت خطوط لوله یادگیری ماشین با Vertex AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و مدیریت خطوط لوله یادگیری ماشین با Vertex AI

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: ابزارها و پلتفرم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع الگوریتم‌های یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر یادگیری عمیق
• 8. شبکه‌های عصبی پرسپترون چندلایه
• 9. شبکه‌های عصبی کانولوشنی (CNN)
• 10. شبکه‌های عصبی بازگشتی (RNN)
• 11. معماری‌های ترنسفورمر
• 12. پردازش زبان طبیعی (NLP)
• 13. بینایی ماشین
• 14. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 15. اهمیت خطوط لوله ML
• 16. اجزای کلیدی خطوط لوله ML
• 17. ابزارهای ارکستراسیون خطوط لوله ML
• 18. معرفی Vertex AI
• 19. مفاهیم اصلی Vertex AI
• 20. Vertex AI Pipelines
• 21. مزایای استفاده از Vertex AI Pipelines
• 22. نصب و پیکربندی Vertex AI
• 23. راه‌اندازی پروژه Vertex AI
• 24. مخازن داده در Vertex AI
• 25. آماده‌سازی داده‌ها برای خطوط لوله
• 26. پاکسازی داده‌ها
• 27. مهندسی ویژگی
• 28. تقسیم داده‌ها
• 29. آموزش مدل‌های یادگیری ماشین
• 30. انتخاب الگوریتم مناسب
• 31. تنظیم هایپرپارامترها
• 32. ارزیابی مدل
• 33. متریک‌های ارزیابی مدل
• 34. اعتبارسنجی متقابل
• 35. مدیریت آزمایشات ML
• 36. ثبت و ردیابی آزمایشات
• 37. مقایسه نتایج آزمایشات
• 38. استقرار مدل‌های ML
• 39. روش‌های استقرار مدل
• 40. استقرار آنلاین
• 41. استقرار آفلاین
• 42. مدیریت نسخه مدل
• 43. نظارت بر مدل مستقر شده
• 44. تشخیص انحراف داده
• 45. تشخیص انحراف مدل
• 46. بازآموزی مدل
• 47. اتوماسیون خطوط لوله ML
• 48. تعریف کامپوننت‌ها در Vertex AI Pipelines
• 49. ایجاد کامپوننت‌های سفارشی
• 50. استفاده از کامپوننت‌های از پیش ساخته شده
• 51. تعریف پایپ‌لاین با استفاده از DSL پایتون
• 52. کامپایل کردن پایپ‌لاین
• 53. اجرای پایپ‌لاین
• 54. زمان‌بندی اجرای پایپ‌لاین
• 55. مدیریت اجراهای پایپ‌لاین
• 56. نمایش نتایج پایپ‌لاین
• 57. مستندسازی پایپ‌لاین
• 58. بهینه‌سازی عملکرد پایپ‌لاین
• 59. مقیاس‌پذیری پایپ‌لاین‌ها
• 60. مدیریت هزینه‌های پایپ‌لاین
• 61. امنیت در خطوط لوله ML
• 62. مدیریت دسترسی در Vertex AI
• 63. استفاده از Service Accounts
• 64. رمزنگاری داده‌ها
• 65. ملاحظات اخلاقی در ML
• 66. سوگیری در داده‌ها و مدل‌ها
• 67. شفافیت و قابلیت تفسیر مدل
• 68. مسئولیت‌پذیری در ML
• 69. کاربرد خطوط لوله ML در سناریوهای واقعی
• 70. ساخت خط لوله برای طبقه‌بندی تصاویر
• 71. ساخت خط لوله برای تحلیل احساسات متن
• 72. ساخت خط لوله برای پیش‌بینی سری‌های زمانی
• 73. ساخت خط لوله برای سیستم‌های توصیه‌گر
• 74. یکپارچه‌سازی با سایر خدمات Google Cloud
• 75. استفاده از BigQuery برای آماده‌سازی داده
• 76. استفاده از Cloud Storage برای ذخیره‌سازی
• 77. استفاده از AI Platform Notebooks
• 78. استفاده از Cloud Build برای CI/CD
• 79. مباحث پیشرفته در خطوط لوله ML
• 80. خطوط لوله ML قابل تکرار
• 81. خطوط لوله ML قابل مشاهده
• 82. خطوط لوله ML خودکار
• 83. یادگیری انتقالی در خطوط لوله
• 84. یادگیری فدرال در خطوط لوله
• 85. MLOps و فرهنگ سازمانی
• 86. اصول MLOps
• 87. پیاده‌سازی MLOps با Vertex AI
• 88. نقش تیم‌ها در MLOps
• 89. ابزارهای اکوسیستم MLOps
• 90. آینده خطوط لوله یادگیری ماشین
• 91. روندهای نوظهور در ارکستراسیون ML
• 92. تأثیر هوش مصنوعی مولد بر خطوط لوله
• 93. استانداردسازی خطوط لوله ML
• 94. تمرین عملی: ساخت یک پایپ‌لاین کامل
• 95. طراحی ساختار کلی پایپ‌لاین
• 96. پیاده‌سازی کامپوننت‌های مختلف
• 97. تنظیم پارامترها و اجرای پایپ‌لاین
• 98. تحلیل نتایج و بهینه‌سازی
• 99. مقدمه‌ای بر چارچوب‌های توسعه پایپ‌لاین
• 100. مقایسه Vertex AI Pipelines با سایر ابزارها