کتاب صوتی مقدمه‌ای بر یادگیری ماشین در پلتفرم AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین در پلتفرم AWS

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی یادگیری ماشین با استفاده از خدمات ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. کاربردهای هوش مصنوعی در دنیای امروز
• 4. اخلاق در هوش مصنوعی
• 5. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 6. مقدمه‌ای بر خدمات ابری
• 7. مزایای استفاده از خدمات ابری
• 8. معماری خدمات ابری
• 9. امنیت در خدمات ابری
• 10. مقدمه‌ای بر پلتفرم AWS
• 11. خدمات اصلی AWS برای یادگیری ماشین
• 12. مزایای استفاده از AWS برای یادگیری ماشین
• 13. انتخاب سرویس مناسب AWS برای پروژه‌های یادگیری ماشین
• 14. مبانی داده‌کاوی
• 15. انواع داده‌ها و ساختارهای داده
• 16. پیش‌پردازش داده‌ها
• 17. پاکسازی و نرمال‌سازی داده‌ها
• 18. مهندسی ویژگی
• 19. انتخاب ویژگی
• 20. کاهش ابعاد
• 21. مبانی یادگیری نظارت‌شده
• 22. رگرسیون خطی
• 23. رگرسیون لجستیک
• 24. ماشین‌های بردار پشتیبان (SVM)
• 25. درختان تصمیم
• 26. جنگل‌های تصادفی
• 27. تقویت گرادیان
• 28. مبانی یادگیری نظارت‌نشده
• 29. خوشه‌بندی K-Means
• 30. خوشه‌بندی سلسله‌مراتبی
• 31. تحلیل مولفه‌های اصلی (PCA)
• 32. مبانی یادگیری تقویتی
• 33. عناصر یادگیری تقویتی
• 34. الگوریتم‌های یادگیری تقویتی
• 35. کاربردها و چالش‌های یادگیری تقویتی
• 36. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 37. نورون مصنوعی
• 38. توابع فعال‌سازی
• 39. معماری شبکه‌های عصبی
• 40. پس‌انتشار خطا
• 41. شبکه‌های عصبی کانولوشنال (CNN)
• 42. کاربردهای CNN در بینایی ماشین
• 43. شبکه‌های عصبی بازگشتی (RNN)
• 44. کاربردهای RNN در پردازش زبان طبیعی
• 45. شبکه‌های عصبی ترنسفورمر
• 46. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 47. تحلیل احساسات
• 48. ترجمه ماشینی
• 49. خلاصه‌سازی متن
• 50. تولید متن
• 51. مقدمه‌ای بر بینایی ماشین
• 52. تشخیص اشیاء
• 53. تشخیص چهره
• 54. تقسیم‌بندی تصویر
• 55. سیستم‌های توصیه‌گر
• 56. مقدمه‌ای بر AWS SageMaker
• 57. امکانات SageMaker
• 58. آموزش مدل‌ها در SageMaker
• 59. استقرار مدل‌ها در SageMaker
• 60. نظارت بر مدل‌ها در SageMaker
• 61. استفاده از SageMaker Studio
• 62. استفاده از SageMaker Ground Truth
• 63. استفاده از SageMaker Data Wrangler
• 64. استفاده از SageMaker Feature Store
• 65. استفاده از SageMaker Pipelines
• 66. کاربرد AWS در پردازش زبان طبیعی
• 67. خدمات AWS برای پردازش زبان طبیعی (مانند Comprehend)
• 68. کاربرد AWS در بینایی ماشین
• 69. خدمات AWS برای بینایی ماشین (مانند Rekognition)
• 70. کاربرد AWS در سیستم‌های توصیه‌گر
• 71. خدمات AWS برای ساخت سیستم‌های توصیه‌گر (مانند Personalize)
• 72. مدیریت داده‌ها در AWS برای یادگیری ماشین
• 73. ذخیره‌سازی داده‌ها در AWS (مانند S3)
• 74. پایگاه‌های داده در AWS برای یادگیری ماشین (مانند RDS, DynamoDB)
• 75. پردازش داده‌های بزرگ در AWS (مانند EMR)
• 76. امنیت داده‌ها و مدل‌ها در AWS
• 77. ملاحظات اخلاقی و قانونی در پیاده‌سازی هوش مصنوعی در AWS
• 78. ملاحظات حقوقی و شرعی در استفاده از هوش مصنوعی
• 79. چارچوب‌های قانونی حفاظت از داده‌ها در ایران
• 80. حریم خصوصی داده‌ها در عصر هوش مصنوعی
• 81. مسئولیت‌پذیری در توسعه و استقرار هوش مصنوعی
• 82. نمونه‌های عملی پیاده‌سازی یادگیری ماشین در AWS
• 83. مطالعات موردی موفق در صنعت
• 84. درس‌های آموخته شده از پروژه‌های واقعی
• 85. آینده یادگیری ماشین در خدمات ابری
• 86. روندهای نوظهور در هوش مصنوعی
• 87. چالش‌های پیش رو در پذیرش گسترده هوش مصنوعی
• 88. نکات پایانی و توصیه‌ها برای شروع
• 89. منابع بیشتر برای مطالعه و یادگیری
• 90. گواهی‌نامه‌های مرتبط با AWS و یادگیری ماشین
• 91. مسیر شغلی در حوزه هوش مصنوعی و یادگیری ماشین
• 92. جمع‌بندی مباحث کلیدی دوره
• 93. پروژه‌های عملی برای تمرین بیشتر
• 94. ارزیابی و بازخورد دوره
• 95. راهنمای استفاده از منابع آموزشی AWS
• 96. نکات مهم در مستندسازی پروژه‌های یادگیری ماشین
• 97. اصول طراحی سیستم‌های هوش مصنوعی مقیاس‌پذیر
• 98. بهینه‌سازی هزینه‌ها در استفاده از خدمات ابری AWS
• 99. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 100. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی پیشرفته