سپنتا کتاب اکسپرس
کتاب راهنمای جامع کار با فضای کاری یادگیری ماشین Azure (Azure ML Workspace)

کتاب راهنمای جامع کار با فضای کاری یادگیری ماشین Azure (Azure ML Workspace)

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع کار با فضای کاری یادگیری ماشین Azure (Azure ML Workspace)

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با استفاده از پلتفرم‌های ابری

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علم داده و هوش مصنوعی
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت شده
  • 5. یادگیری نظارت نشده
  • 6. یادگیری تقویتی
  • 7. مقدمه‌ای بر پلتفرم‌های ابری
  • 8. اهمیت خدمات ابری در علم داده
  • 9. آشنایی با Azure Machine Learning
  • 10. ایجاد فضای کاری Azure ML
  • 11. اجزای فضای کاری Azure ML
  • 12. مجموعه داده‌ها در Azure ML
  • 13. مدیریت مجموعه‌های داده
  • 14. اتصال به منابع داده خارجی
  • 15. ویژگی‌های مجموعه داده
  • 16. آزمایش‌ها در Azure ML
  • 17. اجرای آزمایش‌ها
  • 18. مدیریت آزمایش‌ها
  • 19. ثبت خودکار نتایج آزمایش
  • 20. ابزارهای بصری‌سازی نتایج آزمایش
  • 21. مدل‌ها در Azure ML
  • 22. ثبت مدل‌ها
  • 23. مدیریت مدل‌ها
  • 24. استقرار مدل‌ها
  • 25. نحوه استقرار مدل‌ها
  • 26. نکات استقرار مدل
  • 27. خدمات محاسباتی در Azure ML
  • 28. انواع خدمات محاسباتی
  • 29. ایجاد و مدیریت خدمات محاسباتی
  • 30. انتخاب سرویس محاسباتی مناسب
  • 31. خطوط لوله (Pipelines) در Azure ML
  • 32. ایجاد خطوط لوله
  • 33. اجرای خطوط لوله
  • 34. مدیریت خطوط لوله
  • 35. اتوماسیون در Azure ML
  • 36. تنظیمات اتوماسیون
  • 37. استفاده از اتوماسیون برای خطوط لوله
  • 38. یادگیری عمیق در Azure ML
  • 39. مقدمه‌ای بر شبکه‌های عصبی
  • 40. چارچوب‌های یادگیری عمیق
  • 41. استفاده از TensorFlow در Azure ML
  • 42. استفاده از PyTorch در Azure ML
  • 43. مجموعه‌های داده برای یادگیری عمیق
  • 44. آماده‌سازی داده‌ها برای یادگیری عمیق
  • 45. آموزش مدل‌های یادگیری عمیق
  • 46. تنظیم ابرپارامترها در یادگیری عمیق
  • 47. ارزیابی مدل‌های یادگیری عمیق
  • 48. مدیریت مدل‌های یادگیری عمیق
  • 49. استقرار مدل‌های یادگیری عمیق
  • 50. یادگیری ماشین تفسیری (XAI)
  • 51. اهمیت تفسیرپذیری مدل‌ها
  • 52. تکنیک‌های XAI
  • 53. استفاده از XAI در Azure ML
  • 54. ارزیابی دقت مدل‌ها
  • 55. معیارهای ارزیابی مدل
  • 56. انتخاب معیار مناسب
  • 57. مدیریت و ردیابی پروژه‌ها
  • 58. امنیت در Azure ML
  • 59. مدیریت دسترسی
  • 60. سیاست‌های امنیتی
  • 61. انطباق با مقررات
  • 62. مقررات حفاظت از داده‌ها
  • 63. استانداردهای صنعتی
  • 64. کاربرد علم داده در صنایع مختلف
  • 65. علم داده در حوزه سلامت
  • 66. علم داده در حوزه مالی
  • 67. علم داده در حوزه تولید
  • 68. علم داده در حوزه خرده‌فروشی
  • 69. علم داده در حوزه انرژی
  • 70. کاربردهای هوش مصنوعی در کسب‌وکار
  • 71. اخلاق در هوش مصنوعی
  • 72. مسئولیت‌پذیری در توسعه هوش مصنوعی
  • 73. شفافیت در الگوریتم‌ها
  • 74. ملاحظات اخلاقی در جمع‌آوری داده
  • 75. حریم خصوصی داده‌ها
  • 76. سوگیری در داده‌ها و مدل‌ها
  • 77. کاهش سوگیری در مدل‌ها
  • 78. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 79. کاربرد NLP در Azure ML
  • 80. مقدمه‌ای بر بینایی ماشین
  • 81. کاربرد بینایی ماشین در Azure ML
  • 82. تحلیل سری‌های زمانی
  • 83. مدل‌سازی سری‌های زمانی
  • 84. پیش‌بینی در سری‌های زمانی
  • 85. یادگیری تقویتی پیشرفته
  • 86. کاربرد یادگیری تقویتی در مسائل پیچیده
  • 87. بهینه‌سازی مدل‌ها
  • 88. تنظیم دقیق مدل‌ها
  • 89. استفاده از Azure ML برای بهینه‌سازی
  • 90. نظارت بر مدل‌های مستقر شده
  • 91. تشخیص انحراف مدل (Model Drift)
  • 92. بازآموزی مدل‌ها
  • 93. مقدمه‌ای بر MLOps
  • 94. اصول MLOps
  • 95. پیاده‌سازی MLOps با Azure ML
  • 96. مدیریت چرخه عمر مدل
  • 97. تست و اعتبارسنجی مدل‌ها
  • 98. مستندسازی پروژه‌های علم داده
  • 99. گزارش‌دهی نتایج
  • 100. تجسم داده‌های پیشرفته

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.