به دنیای یادگیری ماشین در مقیاس ابری خوش آمدید! این دوره جامع و پروژه-محور، دروازه‌ای برای ورود شما به یکی از قدرتمندترین و پرکاربردترین پلتفرم‌های یادگیری ماشین، یعنی Amazon SageMaker است. اگر به دنبال تبدیل دانش تئوری خود به مهارت‌های عملی و قابل عرضه در بازار کار هستید، این دوره دقیقاً برای شما طراحی شده است. هدف اصلی ما، آموزش گام به گام و ساختارمند تمامی مراحل چرخه حیات یک پروژه یادگیری ماشین، از آماده‌سازی داده‌ها تا استقرار نهایی مدل، بر بستر AWS است.

یک نکته بسیار مهم در مورد این مجموعه آموزشی، نحوه ارائه آن است. تمام محتوای این دوره بر روی یک فلش مموری ۳۲ گیگابایتی برای شما ارسال می‌شود. این یعنی شما دیگر نیازی به نگرانی در مورد سرعت پایین اینترنت یا فرآیند وقت‌گیر دانلود فایل‌های حجیم نخواهید داشت و می‌توانید با خیال راحت و به صورت آفلاین به محتوای باکیفیت دسترسی داشته باشید.

SageMaker کل چرخه عمر یادگیری ماشین را یکپارچه می‌کند:

• ساخت (Build): فراهم کردن محیط‌های نوت‌بوک Jupyter با یک کلیک (SageMaker Studio) برای کاوش و آماده‌سازی داده‌ها.
• آموزش (Train): اجرای فرآیندهای آموزش مدل در مقیاس بزرگ با استفاده از الگوریتم‌های بهینه‌شده داخلی یا کدهای سفارشی شما، بدون نیاز به مدیریت سرورها.
• استقرار (Deploy): استقرار مدل‌های آموزش‌دیده به سادگی یک فراخوانی API و ایجاد نقاط پایانی (Endpoints) برای پیش‌بینی‌های آنی یا دسته‌ای.

تسلط بر SageMaker به معنای توانایی اجرای پروژه‌های بزرگ و پیچیده با کارایی بالا و هزینه بهینه است؛ مهارتی که امروزه تقاضای بسیار زیادی در شرکت‌های پیشرو فناوری دارد.

• مفاهیم بنیادی و معماری AWS SageMaker و اجزای کلیدی آن را به طور کامل درک کنید.
• خطوط لوله (Pipelines) کامل یادگیری ماشین را از صفر تا صد پیاده‌سازی کنید.
• داده‌ها را مستقیماً از منابع مختلف (مانند S3) بارگذاری، پیش‌پردازش و مهندسی ویژگی کنید.
• از الگوریتم‌های داخلی و بهینه‌شده SageMaker مانند XGBoost، Linear Learner و K-Means برای حل مسائل رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده نمایید.
• اسکریپت‌ها و الگوریتم‌های سفارشی خود (Bring Your Own Script/Algorithm) را با استفاده از فریمورک‌هایی مانند Scikit-learn, TensorFlow یا PyTorch در محیط SageMaker اجرا کنید.
• مدل‌های خود را با استفاده از تکنیک‌های پیشرفته بهینه‌سازی هایپرپارامترها (HPO) به طور خودکار تنظیم کرده و بهترین عملکرد را استخراج کنید.
• مدل‌های آموزش‌دیده را برای دریافت پیش‌بینی‌های آنی (Real-time Inference) یا پردازش‌های دسته‌ای (Batch Transform) مستقر کنید.
• با بهترین شیوه‌ها برای مدیریت هزینه‌ها و امنیت در پروژه‌های SageMaker آشنا شوید.

• پروژه ۱: پیش‌بینی قیمت مسکن (رگرسیون)
  در این پروژه با استفاده از الگوریتم XGBoost، یک مدل رگرسیون برای پیش‌بینی قیمت خانه‌ها بر اساس ویژگی‌های مختلف می‌سازیم و آن را برای پیش‌بینی‌های آنی مستقر می‌کنیم.
• پروژه ۲: تشخیص رضایت مشتری (طبقه‌بندی باینری)
  یک مدل طبقه‌بندی می‌سازیم تا بر اساس داده‌های بازخورد، رضایت یا عدم رضایت مشتریان را پیش‌بینی کند. در این پروژه، با مفاهیم ارزیابی مدل‌های طبقه‌بندی آشنا می‌شویم.
• پروژه ۳: تحلیل احساسات نظرات کاربران (پردازش زبان طبیعی – NLP)
  با استفاده از داده‌های متنی، مدلی برای تشخیص حس مثبت یا منفی در نظرات کاربران آموزش می‌دهیم. این پروژه شما را با چالش‌های کار با داده‌های متنی در SageMaker آشنا می‌کند.
• پروژه ۴: شناسایی ارقام دست‌نویس (بینایی کامپیوتر)
  در این پروژه، با استفاده از یک الگوریتم یادگیری عمیق، مدلی برای شناسایی تصاویر ارقام دست‌نویس (مجموعه داده MNIST) می‌سازیم و با فرآیند آموزش مدل‌های پیچیده‌تر آشنا می‌شویم.
• پروژه ۵: خوشه‌بندی مشتریان برای بازاریابی هدفمند (یادگیری بدون نظارت)
  با استفاده از الگوریتم K-Means، مشتریان را بر اساس رفتار خریدشان به گروه‌های مختلف تقسیم می‌کنیم تا استراتژی‌های بازاریابی هدفمند برای هر گروه تدوین شود.
• پروژه ۶: بهینه‌سازی مدل با تنظیم هایپرپارامترها (HPO)
  یک پروژه را از ابتدا تا انتها با تمرکز بر بهینه‌سازی خودکار انجام می‌دهیم. یاد می‌گیریم که چگونه با تعریف یک جستجوی هایپرپارامتری، SageMaker را وادار کنیم تا بهترین ترکیب پارامترها را برای مدل ما پیدا کند.

• دانشجویان و علاقه‌مندان به علم داده: که می‌خواهند مهارت‌های عملی و مورد نیاز صنعت را کسب کنند.
• توسعه‌دهندگان نرم‌افزار: که قصد دارند قابلیت‌های هوش مصنوعی و یادگیری ماشین را به اپلیکیشن‌های خود اضافه کنند.
• تحلیل‌گران داده: که به دنبال ارتقاء شغلی و ورود به حوزه مهندسی یادگیری ماشین (ML Engineering) هستند.
• متخصصان IT و معماران ابری: که می‌خواهند با سرویس‌های هوش مصنوعی AWS آشنا شوند.
• هر فردی با دانش پایه پایتون و ML: که به دنبال یادگیری یک پلتفرم قدرتمند برای پیاده‌سازی پروژه‌های واقعی است.

برای بهره‌وری حداکثری از این دوره، بهتر است با موارد زیر آشنا باشید:

• دانش بنیادی در مورد مفاهیم یادگیری ماشین (تفاوت رگرسیون و طبقه‌بندی، یادگیری نظارت‌شده و بدون نظارت).
• تجربه برنامه‌نویسی با زبان پایتون (Python).
• آشنایی اولیه با کتابخانه‌های کلیدی علم داده مانند Pandas, NumPy و Scikit-learn بسیار مفید خواهد بود.
• داشتن یک حساب کاربری AWS. (در صورت نداشتن، راهنمایی‌های لازم در دوره ارائه می‌شود).