اپلیکیشن اندرویدی فلش‌کارت آموزشی آشنایی با اصول یادگیری ماشین در خدمات ابری AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با اصول یادگیری ماشین در خدمات ابری AWS

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: مبانی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردهای یادگیری ماشین در دنیای واقعی
• 5. اخلاق در هوش مصنوعی و یادگیری ماشین
• 6. مقدمه‌ای بر خدمات ابری AWS
• 7. معرفی خدمات یادگیری ماشین AWS
• 8. مفاهیم کلیدی در یادگیری ماشین
• 9. داده‌ها در یادگیری ماشین: جمع‌آوری و آماده‌سازی
• 10. پاکسازی داده‌ها و پیش‌پردازش
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب ویژگی (Feature Selection)
• 13. مدل‌های یادگیری ماشین نظارت شده
• 14. رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. درختان تصمیم
• 17. جنگل‌های تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. شبکه‌های عصبی مقدماتی
• 20. شبکه‌های عصبی کانولوشنال (CNN)
• 21. شبکه‌های عصبی بازگشتی (RNN)
• 22. مدل‌های یادگیری ماشین بدون نظارت
• 23. خوشه‌بندی (Clustering)
• 24. K-Means
• 25. خوشه‌بندی سلسله مراتبی
• 26. کاهش ابعاد (Dimensionality Reduction)
• 27. تحلیل مولفه‌های اصلی (PCA)
• 28. سهمیه‌بندی (Dimensionality Reduction)
• 29. مدل‌های یادگیری ماشین تقویتی
• 30. مفاهیم پایه یادگیری تقویتی
• 31. کاربرد یادگیری تقویتی
• 32. ارزیابی مدل‌های یادگیری ماشین
• 33. معیارهای ارزیابی برای رگرسیون
• 34. معیارهای ارزیابی برای طبقه‌بندی
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 37. مقدمه‌ای بر AWS SageMaker
• 38. قابلیت‌های SageMaker
• 39. ایجاد یک محیط کاری در SageMaker
• 40. آماده‌سازی داده‌ها در SageMaker
• 41. استفاده از ابزارهای پیش‌پردازش داده در SageMaker
• 42. مهندسی ویژگی با SageMaker
• 43. آموزش مدل‌های یادگیری ماشین در SageMaker
• 44. استفاده از الگوریتم‌های داخلی SageMaker
• 45. آموزش مدل‌های سفارشی در SageMaker
• 46. استقرار مدل‌ها در SageMaker
• 47. ایجاد نقطه پایانی (Endpoint) برای مدل
• 48. پیش‌بینی با استفاده از مدل مستقر شده
• 49. مانیتورینگ مدل‌ها در SageMaker
• 50. مدیریت چرخه عمر مدل
• 51. امنیت در خدمات یادگیری ماشین AWS
• 52. اصول امنیتی در AWS
• 53. مدیریت دسترسی و هویت (IAM)
• 54. رمزنگاری داده‌ها
• 55. حریم خصوصی داده‌ها در یادگیری ماشین
• 56. ملاحظات قانونی و مقرراتی در ایران
• 57. استانداردهای حاکم بر داده‌ها
• 58. مقررات مربوط به استفاده از هوش مصنوعی
• 59. کاربردهای عملی یادگیری ماشین در ایران
• 60. یادگیری ماشین در صنعت
• 61. یادگیری ماشین در خدمات
• 62. یادگیری ماشین در سلامت
• 63. یادگیری ماشین در آموزش
• 64. یادگیری ماشین در کشاورزی
• 65. یادگیری ماشین در امور مالی
• 66. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 67. وظایف اصلی در NLP
• 68. مدل‌های زبانی
• 69. کاربردهای NLP در خدمات AWS
• 70. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 71. وظایف اصلی در بینایی ماشین
• 72. شبکه‌های عصبی برای بینایی ماشین
• 73. کاربردهای بینایی ماشین در خدمات AWS
• 74. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 75. معماری‌های کلیدی یادگیری عمیق
• 76. تفاوت یادگیری عمیق با یادگیری ماشین سنتی
• 77. مقدمه‌ای بر هوش مصنوعی مولد
• 78. کاربردهای هوش مصنوعی مولد
• 79. مدل‌های زبانی بزرگ (LLMs)
• 80. اخلاق در هوش مصنوعی مولد
• 81. آینده یادگیری ماشین و هوش مصنوعی
• 82. روندهای نوظهور در یادگیری ماشین
• 83. چالش‌های پیش رو در هوش مصنوعی
• 84. نقش مهندسان یادگیری ماشین
• 85. آمادگی برای آینده هوش مصنوعی
• 86. اصول توسعه پایدار در فناوری اطلاعات
• 87. مسئولیت اجتماعی در حوزه فناوری
• 88. مقررات داده‌محور در ایران
• 89. استفاده از داده‌های حجیم (Big Data) در یادگیری ماشین
• 90. پلتفرم‌های داده در AWS
• 91. تحلیل داده‌های حجیم در SageMaker
• 92. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 93. کاربردهای DRL
• 94. ملاحظات اخلاقی در DRL
• 95. مبانی یادگیری فدرال (Federated Learning)
• 96. مزایا و معایب یادگیری فدرال
• 97. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 98. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 99. روش‌های یادگیری انتقالی
• 100. کاربرد یادگیری انتقالی در SageMaker