سپنتا کتاب اکسپرس
کتاب آموزش مدل با استفاده از Amazon SageMaker

کتاب آموزش مدل با استفاده از Amazon SageMaker

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 آموزش مدل با استفاده از Amazon SageMaker

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 4. کاربرد یادگیری ماشین در صنعت
  • 5. معرفی Amazon SageMaker
  • 6. مزایای استفاده از Amazon SageMaker
  • 7. ساختار کلی Amazon SageMaker
  • 8. آماده‌سازی محیط توسعه برای SageMaker
  • 9. نصب ابزارهای لازم
  • 10. اتصال به AWS
  • 11. ایجاد حساب کاربری AWS
  • 12. تنظیمات امنیتی IAM
  • 13. مفاهیم اولیه مدل‌های یادگیری ماشین
  • 14. ویژگی‌ها (Features) و برچسب‌ها (Labels)
  • 15. مجموعه داده‌ها (Datasets)
  • 16. تقسیم داده‌ها: آموزش، اعتبارسنجی، تست
  • 17. پیش‌پردازش داده‌ها
  • 18. پاکسازی داده‌ها
  • 19. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
  • 20. کدگذاری متغیرهای دسته‌ای (Categorical Encoding)
  • 21. مهندسی ویژگی (Feature Engineering)
  • 22. انتخاب الگوریتم مناسب
  • 23. دسته‌بندی (Classification)
  • 24. رگرسیون (Regression)
  • 25. خوشه‌بندی (Clustering)
  • 26. معرفی الگوریتم‌های رایج
  • 27. رگرسیون خطی (Linear Regression)
  • 28. رگرسیون لجستیک (Logistic Regression)
  • 29. ماشین‌های بردار پشتیبان (SVM)
  • 30. درخت‌های تصمیم (Decision Trees)
  • 31. جنگل‌های تصادفی (Random Forests)
  • 32. شبکه‌های عصبی (Neural Networks)
  • 33. یادگیری عمیق (Deep Learning)
  • 34. معرفی SageMaker Built-in Algorithms
  • 35. آموزش مدل با الگوریتم‌های آماده SageMaker
  • 36. تنظیم پارامترهای آموزش
  • 37. انتخاب Instance Type مناسب
  • 38. مدیریت و ذخیره‌سازی مدل‌های آموزش دیده
  • 39. استقرار (Deployment) مدل‌ها
  • 40. ایجاد Endpoint برای پیش‌بینی
  • 41. پیش‌بینی با استفاده از Endpoint
  • 42. مدیریت Endpointها
  • 43. مقیاس‌پذیری Endpointها
  • 44. نظارت بر عملکرد مدل (Monitoring)
  • 45. متریک‌های ارزیابی مدل
  • 46. خطای میانگین مربعات (MSE)
  • 47. دقت (Accuracy)
  • 48. صحت (Precision) و بازیابی (Recall)
  • 49. امتیاز F1
  • 50. ارزیابی مدل در SageMaker
  • 51. تنظیم مجدد مدل (Retraining)
  • 52. اهمیت به‌روزرسانی مدل
  • 53. فرآیند تنظیم مجدد مدل
  • 54. مدیریت نسخه مدل‌ها
  • 55. استفاده از SageMaker Experiments
  • 56. پیگیری و مقایسه آزمایش‌ها
  • 57. ثبت هایپرپارامترها و متریک‌ها
  • 58. SageMaker Pipelines
  • 59. اتوماسیون گردش کار یادگیری ماشین
  • 60. ساخت و اجرای پایپ‌لاین‌ها
  • 61. یکپارچه‌سازی با سایر سرویس‌های AWS
  • 62. SageMaker Ground Truth
  • 63. برچسب‌گذاری داده‌ها
  • 64. تیم‌های برچسب‌گذاری
  • 65. SageMaker Debugger
  • 66. عیب‌یابی فرآیند آموزش
  • 67. تحلیل و رفع مشکلات
  • 68. SageMaker Model Monitor
  • 69. نظارت بر انحراف داده‌ها (Data Drift)
  • 70. نظارت بر انحراف مدل (Model Drift)
  • 71. تنظیم هشدارها
  • 72. SageMaker Clarify
  • 73. تفسیرپذیری مدل (Model Interpretability)
  • 74. شناسایی سوگیری (Bias) در مدل
  • 75. توضیح پیش‌بینی‌های مدل
  • 76. امنیت در SageMaker
  • 77. مدیریت دسترسی‌ها
  • 78. رمزنگاری داده‌ها
  • 79. حفاظت از مدل‌ها
  • 80. کاربرد SageMaker در پروژه‌های واقعی
  • 81. مثال: پیش‌بینی فروش
  • 82. مثال: تشخیص تصویر
  • 83. مثال: پردازش زبان طبیعی
  • 84. بهترین شیوه‌ها در استفاده از SageMaker
  • 85. بهینه‌سازی هزینه‌ها
  • 86. مدیریت منابع
  • 87. مقیاس‌پذیری راهکارها
  • 88. آینده هوش مصنوعی و یادگیری ماشین
  • 89. روندهای جدید
  • 90. نقش SageMaker در آینده
  • 91. ملاحظات اخلاقی در هوش مصنوعی
  • 92. مسئولیت‌پذیری در توسعه مدل
  • 93. حفظ حریم خصوصی داده‌ها
  • 94. توسعه هوش مصنوعی برای منافع جامعه
  • 95. جمع‌بندی مباحث

📚 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.