این مجموعه آموزشی برای طیف گسترده‌ای از علاقه‌مندان به حوزه داده طراحی شده است که به دنبال کسب مهارت‌های عملی و کاربردی هستند. اگر شما در یکی از دسته‌های زیر قرار می‌گیرید، این دوره برای شما ایده‌آل است:

• تحلیل‌گران داده: افرادی که با تحلیل داده‌ها آشنا هستند و می‌خواهند گام بعدی را برداشته و وارد دنیای ساخت و استقرار مدل‌های یادگیری ماشین شوند.
• مهندسان نرم‌افزار: برنامه‌نویسان و توسعه‌دهندگانی که قصد دارند مهارت‌های MLOps و یادگیری ماشین را به مجموعه ابزارهای خود اضافه کرده و سیستم‌های هوشمند بسازند.
• دانشجویان و فارغ‌التحصیلان: افرادی که دانش آکادمیک در رشته‌های مرتبط (مانند کامپیوتر، آمار و ریاضی) دارند اما نیازمند تجربه عملی برای ورود به بازار کار هستند.
• علاقه‌مندان به علم داده: هر فردی که با مبانی برنامه‌نویسی پایتون آشناست و می‌خواهد یاد بگیرد چگونه یک پروژه علم داده را از صفر تا صد در یک محیط واقعی و ابری پیاده‌سازی کند.

پس از اتمام این دوره، شما به مجموعه‌ای از مهارت‌های بسیار ارزشمند و پرتقاضا در بازار کار مسلط خواهید شد. این مهارت‌ها صرفاً تئوری نیستند، بلکه کاملاً بر اساس نیازهای صنعت طراحی شده‌اند:

• ساخت پایپ‌لاین‌های یادگیری ماشین (ML Pipelines): شما یاد می‌گیرید چگونه کل فرآیند یک پروژه ML، از پیش‌پردازش داده تا آموزش مدل، ارزیابی و استقرار نهایی را به صورت یک خط لوله خودکار و قابل تکرار طراحی کنید.
• مهندسی ویژگی و آماده‌سازی داده: تکنیک‌های پیشرفته برای پاک‌سازی، تبدیل و انتخاب ویژگی‌های مناسب از داده‌های خام را با استفاده از ابزارهایی مانند Amazon SageMaker Data Wrangler فرا خواهید گرفت.
• استفاده از یادگیری ماشین خودکار (AutoML): می‌آموزید که چگونه با ابزارهایی مانند SageMaker Autopilot، فرآیند یافتن بهترین مدل یادگیری ماشین را سرعت ببخشید و به نتایج بهینه دست پیدا کنید.
• پردازش زبان طبیعی (NLP): با استفاده از مدل‌های قدرتمندی مانند BERT، قادر خواهید بود مسائل پیچیده تحلیل متن مانند طبقه‌بندی احساسات یا تشخیص موضوع را حل کنید.
• عملیات یادگیری ماشین (MLOps): با اصول کلیدی MLOps آشنا می‌شوید که شامل مدیریت چرخه عمر مدل، نظارت بر عملکرد آن پس از استقرار و به‌روزرسانی مداوم آن است.
• بهینه‌سازی مدل‌ها: تکنیک‌های پیشرفته برای تنظیم هایپرپارامترها و بهینه‌سازی مدل‌ها برای دستیابی به حداکثر دقت و کارایی را یاد می‌گیرید.
• پیاده‌سازی سیستم‌های Human-in-the-Loop: یاد می‌گیرید چگونه سیستم‌هایی طراحی کنید که در موارد عدم قطعیت، از بازخورد انسانی برای بهبود عملکرد خود استفاده کنند (با ابزاری مانند Amazon A2I).

بخش اول: تحلیل دیتاست‌ها و آموزش مدل‌های ML با AutoML

در این بخش، شما سفر خود را با اصول اولیه و حیاتی هر پروژه علم داده آغاز می‌کنید. تمرکز اصلی بر روی درک عمیق داده‌ها و آماده‌سازی آن‌ها برای مدل‌سازی است. شما یاد می‌گیرید چگونه با استفاده از ابزارهای مدرن، داده‌های بزرگ را به سرعت تحلیل و پاک‌سازی کرده و سپس با قدرت AutoML، بدون نیاز به کدنویسی پیچیده، مدل‌های اولیه قدرتمندی بسازید. در این بخش، یک پروژه عملی مانند پیش‌بینی ریزش مشتری (Customer Churn) را از ابتدا تا انتها انجام خواهید داد.

بخش دوم: ساخت، آموزش و استقرار پایپ‌لاین‌های ML با BERT

این بخش شما را وارد دنیای هیجان‌انگیز پردازش زبان طبیعی (NLP) می‌کند. شما با یکی از پیشرفته‌ترین مدل‌های زبانی جهان، یعنی BERT، کار خواهید کرد. در اینجا یاد می‌گیرید که چگونه یک پایپ‌لاین کامل برای یک وظیفه NLP (مانند تحلیل نظرات کاربران) طراحی کنید. این فرآیند شامل پیش‌پردازش متن، fine-tuning مدل BERT بر روی داده‌های خاص شما و در نهایت، استقرار آن به عنوان یک سرویس وب (API) با استفاده از Amazon SageMaker Pipelines است.

بخش سوم: بهینه‌سازی مدل‌های ML و استقرار پایپ‌لاین‌های Human-in-the-Loop

استقرار یک مدل، پایان کار نیست. در این بخش نهایی، شما با چالش‌های دنیای واقعی پس از استقرار مدل آشنا می‌شوید. مباحثی مانند بهینه‌سازی مدل برای کاهش هزینه‌ها و افزایش سرعت، نظارت بر عملکرد آن در طول زمان و مدیریت پدیده "Model Drift" پوشش داده می‌شوند. مهم‌تر از آن، شما یاد می‌گیرید چگونه سیستم‌های هوشمندی بسازید که در آنها مدل‌های یادگیری ماشین و انسان‌ها با یکدیگر همکاری می‌کنند تا به بالاترین دقت ممکن دست یابند.

برای اینکه بتوانید بیشترین بهره را از این دوره ببرید، بهتر است با موارد زیر آشنایی داشته باشید:

• تسلط نسبی به زبان برنامه‌نویسی پایتون (Python) و مفاهیم اصلی آن.
• آشنایی اولیه با کتابخانه‌های محبوب علم داده مانند Pandas برای کار با داده‌ها و NumPy برای محاسبات عددی.
• درک مفاهیم پایه یادگیری ماشین، مانند تفاوت بین یادگیری نظارت‌شده و بدون نظارت، و آشنایی با الگوریتم‌هایی مانند رگرسیون خطی و طبقه‌بندی.
• تجربه کار با خط فرمان (Command-Line) و ابزارهای کنترل نسخه مانند Git می‌تواند یک مزیت بزرگ باشد اما ضروری نیست.

این دوره یک فرصت بی‌نظیر برای تبدیل شدن از یک فرد علاقه‌مند به داده به یک متخصص علم داده کاربردی است. با سرمایه‌گذاری بر روی این مهارت‌ها، شما خود را برای موفقیت در یکی از پویاترین و پردرآمدترین حوزه‌های فناوری آماده می‌کنید.