اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی و تنظیم مدل‌های یادگیری ماشین در AWS برای مهندسان همکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و تنظیم مدل‌های یادگیری ماشین در AWS برای مهندسان همکار

موضوع کلی: مهندسی نرم‌افزار و توسعهٔ سیستم‌های هوش مصنوعی

موضوع میانی: مهندسی مدل‌های یادگیری ماشین در ابر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی مدل‌های یادگیری ماشین
• 2. مبانی یادگیری ماشین در AWS
• 3. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 4. انتخاب ویژگی و مهندسی آن
• 5. آموزش مدل‌های یادگیری ماشین
• 6. ارزیابی عملکرد مدل
• 7. تنظیم ابرپارامترها
• 8. روش‌های تنظیم ابرپارامتر
• 9. جستجوی شبکه‌ای (Grid Search)
• 10. جستجوی تصادفی (Random Search)
• 11. بهینه‌سازی بیزی (Bayesian Optimization)
• 12. تنظیم پارامترها در AWS SageMaker
• 13. استفاده از Hyperparameter Tuning Jobs
• 14. مدیریت آزمایش‌ها و نتایج
• 15. ردیابی هایپرپارامترها و متریک‌ها
• 16. استفاده از Amazon SageMaker Experiments
• 17. مقایسه مدل‌های مختلف
• 18. انتخاب بهترین مدل بر اساس متریک‌ها
• 19. تکنیک‌های تنظیم مدل
• 20. کاهش بیش‌برازش (Overfitting)
• 21. تنظیم پارامترهای مدل
• 22. تکنیک‌های منظم‌سازی (Regularization)
• 23. L1 و L2 Regularization
• 24. Dropout
• 25. Early Stopping
• 26. تنظیم مدل‌های پیچیده
• 27. مدل‌های یادگیری عمیق
• 28. شبکه‌های عصبی کانولوشنی (CNN)
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. ترنسفورمرها (Transformers)
• 31. تنظیم مدل‌های CNN
• 32. تنظیم مدل‌های RNN
• 33. تنظیم مدل‌های ترنسفورمر
• 34. استفاده از قابلیت‌های SageMaker برای تنظیم پیشرفته
• 35. Automated Model Tuning
• 36. SageMaker Automatic Model Tuning
• 37. بهینه‌سازی مدل برای استقرار
• 38. فشرده‌سازی مدل
• 39. کوانتیزاسیون مدل (Model Quantization)
• 40. حذف پارامترهای کم‌اهمیت
• 41. تکنیک‌های پرونی (Pruning)
• 42. تنظیم مدل برای کاهش تاخیر (Latency)
• 43. تنظیم مدل برای افزایش توان عملیاتی (Throughput)
• 44. بهینه‌سازی مدل برای سخت‌افزارهای خاص
• 45. استفاده از AWS Inferentia
• 46. استفاده از AWS Trainium
• 47. تنظیم مدل برای محیط‌های توزیع شده
• 48. آموزش توزیع شده با SageMaker
• 49. تنظیم مدل برای داده‌های نامتوازن
• 50. مدیریت داده‌های نامتوازن
• 51. روش‌های نمونه‌برداری مجدد (Resampling)
• 52. SMOTE
• 53. تنظیم مدل با استفاده از وزن‌دهی به کلاس‌ها
• 54. ارزیابی مدل با متریک‌های مناسب برای داده‌های نامتوازن
• 55. تنظیم مدل برای مسائل طبقه‌بندی نامتوازن
• 56. تنظیم مدل برای مسائل رگرسیون نامتوازن
• 57. بهبود قابلیت تفسیرپذیری مدل
• 58. تکنیک‌های تفسیرپذیری مدل
• 59. SHAP (SHapley Additive exPlanations)
• 60. LIME (Local Interpretable Model-agnostic Explanations)
• 61. تجسم نتایج تفسیرپذیری
• 62. تنظیم مدل برای افزایش قابلیت تفسیرپذیری
• 63. مدیریت چرخه عمر مدل (MLOps)
• 64. مراحل MLOps
• 65. استقرار مدل
• 66. مانیتورینگ مدل
• 67. بازآموزی مدل
• 68. اتوماسیون فرآیندهای MLOps
• 69. استفاده از SageMaker Pipelines
• 70. یکپارچه‌سازی با AWS CodePipeline
• 71. یکپارچه‌سازی با AWS CodeCommit
• 72. یکپارچه‌سازی با AWS CodeBuild
• 73. یکپارچه‌سازی با AWS CodeDeploy
• 74. تنظیم مدل با استفاده از رویکردهای MLOps
• 75. تست و اعتبارسنجی مدل‌ها
• 76. تست واحد (Unit Testing)
• 77. تست یکپارچه‌سازی (Integration Testing)
• 78. تست پذیرش (Acceptance Testing)
• 79. تست عملکرد (Performance Testing)
• 80. تست امنیت (Security Testing)
• 81. تنظیم مدل با در نظر گرفتن الزامات تست
• 82. مانیتورینگ عملکرد مدل در زمان استقرار
• 83. تشخیص افت عملکرد مدل (Model Drift)
• 84. تشخیص انحراف داده (Data Drift)
• 85. تشخیص انحراف مفهوم (Concept Drift)
• 86. تنظیم مدل بر اساس نتایج مانیتورینگ
• 87. استفاده از SageMaker Model Monitor
• 88. تنظیم خودکار مدل بر اساس انحراف
• 89. مدیریت نسخه‌های مدل
• 90. ذخیره‌سازی و بازیابی مدل‌ها
• 91. استفاده از SageMaker Model Registry
• 92. مدیریت خط مشی‌های نگهداری مدل
• 93. تنظیم مدل با رویکرد مدیریت نسخه
• 94. بهینه‌سازی هزینه‌ها در فرآیند تنظیم مدل
• 95. انتخاب نمونه‌های محاسباتی مناسب
• 96. استفاده از Spot Instances برای تنظیم
• 97. مدیریت منابع SageMaker
• 98. پایان‌نامه‌های پیشرفته در تنظیم مدل
• 99. یادگیری تقویتی (Reinforcement Learning)
• 100. تنظیم مدل‌های یادگیری تقویتی