اپلیکیشن اندرویدی فلش‌کارت آموزشی آمادگی آزمون DP-100: متخصص علم داده در Microsoft Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمادگی آزمون DP-100: متخصص علم داده در Microsoft Azure

موضوع کلی: هوش مصنوعی و علم داده در محیط ابری

موضوع میانی: پیاده‌سازی راه‌حل‌های علم داده با استفاده از Microsoft Azure

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و هوش مصنوعی
• 2. اصول یادگیری ماشین
• 3. مبانی یادگیری نظارت شده
• 4. مبانی یادگیری نظارت نشده
• 5. پیاده‌سازی مدل‌های یادگیری ماشین
• 6. ارزیابی مدل‌های یادگیری ماشین
• 7. مقدمه‌ای بر Microsoft Azure
• 8. مفاهیم کلیدی Azure
• 9. مدیریت منابع در Azure
• 10. خدمات محاسباتی Azure
• 11. خدمات ذخیره‌سازی Azure
• 12. خدمات شبکه Azure
• 13. امنیت در Azure
• 14. مقدمه‌ای بر Azure Machine Learning
• 15. ایجاد فضای کاری Azure ML
• 16. مدیریت داده‌ها در Azure ML
• 17. آماده‌سازی داده‌ها با Azure ML
• 18. مهندسی ویژگی در Azure ML
• 19. انتخاب و آموزش مدل‌ها در Azure ML
• 20. تنظیم ابرپارامترها
• 21. استقرار مدل‌ها در Azure ML
• 22. نظارت بر مدل‌ها در Azure ML
• 23. کار با Notebooks در Azure ML
• 24. استفاده از Designer در Azure ML
• 25. اتوماسیون گردش کار علم داده
• 26. مقدمه‌ای بر یادگیری عمیق
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. کاربرد CNN در پردازش تصویر
• 30. کاربرد RNN در پردازش زبان طبیعی
• 31. مدل‌های یادگیری عمیق در Azure ML
• 32. پیاده‌سازی مدل‌های یادگیری عمیق
• 33. تنظیم و بهینه‌سازی مدل‌های عمیق
• 34. کار با Azure Cognitive Services
• 35. پردازش زبان طبیعی (NLP) با Azure
• 36. بینایی ماشین (Computer Vision) با Azure
• 37. تشخیص گفتار با Azure
• 38. ترجمه متن با Azure
• 39. کشف دانش با Azure
• 40. تحلیل داده‌های سری زمانی
• 41. تحلیل داده‌های شبکه‌ای
• 42. مقدمه‌ای بر Big Data
• 43. پردازش داده‌های حجیم با Apache Spark
• 44. Apache Spark در Azure Databricks
• 45. ایجاد کلاستر Spark در Azure
• 46. کار با Notebooks در Azure Databricks
• 47. مدیریت داده‌ها در Azure Databricks
• 48. ساخت و آموزش مدل‌ها در Azure Databricks
• 49. استقرار مدل‌ها از Azure Databricks
• 50. امنیت در Azure Databricks
• 51. مقدمه‌ای بر Data Governance
• 52. اصول Data Governance در Azure
• 53. مدیریت کلان داده‌ها (Metadata)
• 54. کیفیت داده‌ها
• 55. امنیت داده‌ها
• 56. حریم خصوصی داده‌ها
• 57. انطباق با مقررات (Compliance)
• 58. مدیریت چرخه حیات داده‌ها
• 59. مقدمه‌ای بر MLOps
• 60. اصول MLOps
• 61. اتوماسیون استقرار مدل
• 62. نظارت و بازآموزی مدل‌ها
• 63. مدیریت نسخه مدل‌ها
• 64. مدیریت محیط‌ها
• 65. کاربرد MLOps در Azure
• 66. ابزارهای MLOps در Azure
• 67. بهترین شیوه‌های MLOps
• 68. مقدمه‌ای بر DataOps
• 69. اصول DataOps
• 70. اتوماسیون خطوط لوله داده
• 71. نظارت بر خطوط لوله داده
• 72. مدیریت خطاها در خطوط لوله داده
• 73. تست در خطوط لوله داده
• 74. کاربرد DataOps در Azure
• 75. مقدمه‌ای بر هوش تجاری (BI)
• 76. اصول هوش تجاری
• 77. کاربرد هوش تجاری در تصمیم‌گیری
• 78. ابزارهای هوش تجاری در Azure (Power BI)
• 79. ساخت داشبوردهای تعاملی
• 80. تجزیه و تحلیل داده‌ها با Power BI
• 81. مقدمه‌ای بر یادگیری تقویتی
• 82. اصول یادگیری تقویتی
• 83. کاربرد یادگیری تقویتی
• 84. یادگیری تقویتی در Azure ML
• 85. تنظیم محیط یادگیری تقویتی
• 86. آموزش عامل یادگیری تقویتی
• 87. ارزیابی عامل یادگیری تقویتی
• 88. نمونه‌های کاربردی یادگیری تقویتی
• 89. مقدمه‌ای بر اخلاق در علم داده
• 90. اصول اخلاق در علم داده
• 91. سوگیری در مدل‌ها
• 92. شفافیت و تفسیرپذیری مدل‌ها
• 93. مسئولیت‌پذیری در علم داده
• 94. کاربرد اصول اخلاقی در Azure
• 95. ملاحظات امنیتی در علم داده
• 96. ملاحظات حریم خصوصی در علم داده
• 97. آینده علم داده و هوش مصنوعی
• 98. روندهای نوظهور در علم داده
• 99. نقش متخصص علم داده
• 100. مهارت‌های لازم برای متخصص علم داده