سپنتا کتاب اکسپرس
کتاب پیاده‌سازی متدولوژی CRISP-DM با استفاده از خدمات ابری AWS

کتاب پیاده‌سازی متدولوژی CRISP-DM با استفاده از خدمات ابری AWS

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 پیاده‌سازی متدولوژی CRISP-DM با استفاده از خدمات ابری AWS

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: متدولوژی‌های علم داده

📋 سرفصل‌های دوره

  • 1. مقدمه بر علم داده و هوش مصنوعی در ایران
  • 2. آشنایی با متدولوژی CRISP-DM
  • 3. مراحل متدولوژی CRISP-DM
  • 4. فهم کسب‌وکار در پروژه‌های علم داده
  • 5. اهداف کسب‌وکار در علم داده
  • 6. ارزیابی وضعیت فعلی کسب‌وکار
  • 7. تعیین اهداف علم داده
  • 8. تولید طرح پروژه علم داده
  • 9. فهم داده‌ها در پروژه‌های علم داده
  • 10. جمع‌آوری اولیه داده‌ها
  • 11. توصیف داده‌ها
  • 12. کشف کیفیت داده‌ها
  • 13. کشف اولیه داده‌ها
  • 14. آماده‌سازی داده‌ها برای مدل‌سازی
  • 15. انتخاب داده‌ها
  • 16. پاک‌سازی داده‌ها
  • 17. ساخت ویژگی‌های جدید
  • 18. ترکیب داده‌ها
  • 19. فرمت‌بندی داده‌ها
  • 20. مدل‌سازی در علم داده
  • 21. انتخاب روش مدل‌سازی
  • 22. تولید طرح آزمون مدل
  • 23. ساخت مدل
  • 24. ارزیابی مدل
  • 25. ارزیابی نتایج کسب‌وکار
  • 26. استقرار مدل در محیط عملیاتی
  • 27. برنامه‌ریزی استقرار
  • 28. برنامه‌ریزی پایش و نگهداری
  • 29. تولید گزارش نهایی
  • 30. بررسی نهایی پروژه
  • 31. خدمات ابری AWS برای علم داده
  • 32. آشنایی با AWS
  • 33. سرویس‌های AWS برای یادگیری ماشین
  • 34. Amazon SageMaker
  • 35. Amazon EC2 برای محاسبات علم داده
  • 36. Amazon S3 برای ذخیره‌سازی داده‌ها
  • 37. Amazon RDS برای پایگاه داده رابطه‌ای
  • 38. Amazon Redshift برای انباره داده
  • 39. Amazon EMR برای پردازش کلان داده
  • 40. AWS Glue برای آماده‌سازی داده‌ها
  • 41. AWS Lambda برای توابع بدون سرور
  • 42. AWS Step Functions برای ارکستراسیون گردش کار
  • 43. استفاده از SageMaker برای فهم کسب‌وکار
  • 44. تعیین اهداف کسب‌وکار با SageMaker
  • 45. طراحی پرس‌وجوهای کسب‌وکار
  • 46. استفاده از SageMaker برای فهم داده‌ها
  • 47. بارگذاری داده‌ها در SageMaker
  • 48. تحلیل اکتشافی داده با SageMaker
  • 49. شناسایی الگوها با SageMaker
  • 50. ارزیابی کیفیت داده با SageMaker
  • 51. استفاده از SageMaker برای آماده‌سازی داده‌ها
  • 52. پیش‌پردازش داده‌ها در SageMaker
  • 53. مهندسی ویژگی در SageMaker
  • 54. ادغام مجموعه داده‌ها در SageMaker
  • 55. پاک‌سازی داده‌های نامنظم در SageMaker
  • 56. استفاده از SageMaker برای مدل‌سازی
  • 57. انتخاب الگوریتم‌های یادگیری ماشین
  • 58. آموزش مدل در SageMaker
  • 59. تنظیم ابرپارامترها
  • 60. ارزیابی عملکرد مدل
  • 61. مصورسازی نتایج مدل
  • 62. استفاده از SageMaker برای ارزیابی مدل
  • 63. معیارهای ارزیابی مدل
  • 64. تفسیر نتایج ارزیابی
  • 65. مقایسه مدل‌های مختلف
  • 66. استفاده از SageMaker برای استقرار مدل
  • 67. استقرار مدل به عنوان نقطه پایانی
  • 68. مدیریت نقاط پایانی
  • 69. پایش عملکرد مدل مستقر شده
  • 70. استفاده از SageMaker برای پایش و نگهداری
  • 71. طراحی استراتژی پایش
  • 72. تنظیم هشدارها
  • 73. بازآموزی مدل‌ها
  • 74. امنیت در پروژه‌های علم داده AWS
  • 75. مدیریت دسترسی با IAM
  • 76. امنیت داده‌ها در S3
  • 77. رمزنگاری داده‌ها
  • 78. امنیت در SageMaker
  • 79. حریم خصوصی داده‌ها
  • 80. اخلاق در علم داده
  • 81. سوگیری در الگوریتم‌ها
  • 82. شفافیت مدل‌ها
  • 83. مسئولیت‌پذیری در هوش مصنوعی
  • 84. کاربرد علم داده در صنایع ایران
  • 85. علم داده در بخش بهداشت و درمان
  • 86. علم داده در بخش مالی و بانکی
  • 87. علم داده در بخش صنعت و تولید
  • 88. علم داده در بخش کشاورزی
  • 89. علم داده در بخش حمل و نقل
  • 90. علم داده در بخش خدمات دولتی
  • 91. مطالعات موردی موفق علم داده در ایران
  • 92. چالش‌های پیاده‌سازی علم داده در ایران
  • 93. راهکارهای غلبه بر چالش‌ها
  • 94. آینده علم داده و هوش مصنوعی در ایران
  • 95. مباحث پیشرفته در علم داده
  • 96. یادگیری عمیق با AWS
  • 97. پردازش زبان طبیعی با AWS
  • 98. بینایی ماشین با AWS
  • 99. سیستم‌های توصیه‌گر با AWS
  • 100. علم داده در زمان واقعی (Real-time)

📚 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.