سپنتا کتاب اکسپرس
کتاب پایش عملکرد مدل‌های یادگیری ماشین و کیفیت داده در AWS

کتاب پایش عملکرد مدل‌های یادگیری ماشین و کیفیت داده در 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 پایش عملکرد مدل‌های یادگیری ماشین و کیفیت داده در AWS

موضوع کلی: مهندسی نرم‌افزار و سیستم‌های هوشمند

موضوع میانی: نظارت و نگهداری مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مهندسی نرم‌افزار و سیستم‌های هوشمند
  • 2. مبانی یادگیری ماشین در سیستم‌های هوشمند
  • 3. مفهوم مدل‌های یادگیری ماشین
  • 4. چرخه حیات مدل‌های یادگیری ماشین
  • 5. اهمیت پایش مدل‌های یادگیری ماشین
  • 6. مقدمه‌ای بر پایش عملکرد مدل
  • 7. معیارهای ارزیابی عملکرد مدل
  • 8. خطای طبقه‌بندی و رگرسیون
  • 9. دقت (Accuracy) در طبقه‌بندی
  • 10. صحت (Precision) و بازیابی (Recall)
  • 11. امتیاز F1 (F1 Score)
  • 12. منحنی ROC و AUC
  • 13. معیارهای ارزیابی مدل‌های رگرسیون
  • 14. میانگین خطای مطلق (MAE)
  • 15. میانگین مربعات خطا (MSE)
  • 16. ریشه میانگین مربعات خطا (RMSE)
  • 17. ضریب تعیین (R-squared)
  • 18. معرفی کیفیت داده در یادگیری ماشین
  • 19. اهمیت کیفیت داده برای پایش مدل
  • 20. انواع مشکلات کیفیت داده
  • 21. داده‌های گمشده (Missing Data)
  • 22. داده‌های پرت (Outliers)
  • 23. ناهمگونی داده‌ها (Data Inconsistency)
  • 24. داده‌های نادرست (Incorrect Data)
  • 25. مفهوم انحراف داده (Data Drift)
  • 26. انواع انحراف داده
  • 27. انحراف مفهوم (Concept Drift)
  • 28. انحراف توزیع (Distribution Drift)
  • 29. انحراف ویژگی (Feature Drift)
  • 30. تأثیر انحراف داده بر عملکرد مدل
  • 31. پایش انحراف داده
  • 32. روش‌های تشخیص انحراف داده
  • 33. آزمون‌های آماری برای تشخیص انحراف
  • 34. مقایسه توزیع داده‌های آموزشی و عملیاتی
  • 35. استفاده از معیارهای آماری برای انحراف
  • 36. پایش انحراف ویژگی‌ها
  • 37. پایش انحراف برچسب‌ها (Labels)
  • 38. مفهوم انحراف مدل (Model Drift)
  • 39. تأثیر انحراف مدل بر پیش‌بینی‌ها
  • 40. روش‌های پایش انحراف مدل
  • 41. مقایسه پیش‌بینی‌های مدل در طول زمان
  • 42. استفاده از داده‌های بازخوردی (Feedback Data)
  • 43. پایش مداوم عملکرد مدل
  • 44. تنظیم آستانه‌های هشدار (Thresholds)
  • 45. پیاده‌سازی سیستم‌های پایش خودکار
  • 46. ابزارهای پایش مدل در AWS
  • 47. معرفی AWS SageMaker Model Monitor
  • 48. قابلیت‌های SageMaker Model Monitor
  • 49. پایش کیفیت داده با SageMaker
  • 50. پایش انحراف داده با SageMaker
  • 51. پایش انحراف مدل با SageMaker
  • 52. تنظیمات و پیکربندی SageMaker Model Monitor
  • 53. ایجاد Endpoints برای پایش
  • 54. استفاده از CloudWatch برای هشدارها
  • 55. یکپارچه‌سازی SageMaker با CloudWatch
  • 56. تنظیم آلارم‌ها بر اساس معیارهای پایش
  • 57. مدیریت گزارش‌های پایش
  • 58. ذخیره‌سازی داده‌های پایش شده
  • 59. تحلیل داده‌های پایش شده
  • 60. مفهوم بازآموزی مدل (Model Retraining)
  • 61. شرایط بازآموزی مدل
  • 62. زمان‌بندی بازآموزی مدل
  • 63. بازآموزی خودکار مدل
  • 64. تکنیک‌های بهبود عملکرد مدل
  • 65. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 66. مهندسی ویژگی (Feature Engineering)
  • 67. انتقال یادگیری (Transfer Learning)
  • 68. یادگیری تقویتی (Reinforcement Learning)
  • 69. ملاحظات امنیتی در پایش مدل
  • 70. حفاظت از داده‌های حساس
  • 71. مدیریت دسترسی به ابزارهای پایش
  • 72. پایش مدل‌های در حال آموزش
  • 73. پایش مدل‌های استقراری
  • 74. پایش مدل‌های دسته‌ای (Batch Inference)
  • 75. پایش مدل‌های بلادرنگ (Real-time Inference)
  • 76. مستندسازی فرآیند پایش
  • 77. بهبود مستمر فرآیند پایش
  • 78. مطالعات موردی پایش مدل
  • 79. پایش مدل‌های تشخیص تصویر
  • 80. پایش مدل‌های پردازش زبان طبیعی
  • 81. پایش مدل‌های پیش‌بینی سری زمانی
  • 82. پایش مدل‌های سیستم‌های توصیه‌گر
  • 83. مسائل اخلاقی در پایش مدل
  • 84. شفافیت در پایش مدل
  • 85. مسئولیت‌پذیری در پایش مدل
  • 86. آینده پایش مدل‌های یادگیری ماشین
  • 87. نوآوری‌ها در حوزه پایش
  • 88. تکنیک‌های پیشرفته پایش
  • 89. جمع‌بندی و گام‌های بعدی در پایش مدل

📚 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.