دوره Google Cloud Platform: ساخت اپلیکیشن های یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری عمیق
• 2. مبانی یادگیری ماشین
• 3. انواع مدل های یادگیری عمیق
• 4. شبکه های عصبی مصنوعی (ANN)
• 5. معماری های شبکه عصبی
• 6. مقدمه ای بر Google Cloud Platform (GCP)
• 7. چرا GCP برای یادگیری عمیق؟
• 8. حساب Google Cloud و ایجاد پروژه
• 9. معرفی خدمات GCP برای یادگیری عمیق
• 10. Google Compute Engine (GCE)
• 11. Google Kubernetes Engine (GKE)
• 12. Google Cloud Storage (GCS)
• 13. Google Cloud BigQuery
• 14. Google Cloud AI Platform
• 15. Vertex AI: نمای کلی
• 16. Vertex AI: مدیریت داده ها
• 17. Vertex AI: آموزش مدل
• 18. Vertex AI: استقرار مدل
• 19. Vertex AI: ارزیابی مدل
• 20. Vertex AI: نظارت بر مدل
• 21. Vertex AI: ابزارهای MLOps
• 22. انواع داده ها در GCP
• 23. ذخیره سازی داده ها در GCS
• 24. انتقال داده ها به GCP
• 25. آماده سازی داده ها برای یادگیری عمیق
• 26. پاکسازی و پیش پردازش داده ها
• 27. مهندسی ویژگی (Feature Engineering)
• 28. مدیریت مجموعه داده ها (Datasets)
• 29. مقدمه ای بر TensorFlow
• 30. مبانی TensorFlow
• 31. تانسورها (Tensors)
• 32. عملیات تانسور
• 33. گراف های محاسباتی
• 34. تابع گرادیان (Gradients)
• 35. بهینه سازی (Optimizers)
• 36. توابع زیان (Loss Functions)
• 37. توابع فعال سازی (Activation Functions)
• 38. انواع لایه های شبکه عصبی
• 39. لایه های متراکم (Dense Layers)
• 40. لایه های کانولوشنال (Convolutional Layers - CNNs)
• 41. لایه های بازگشتی (Recurrent Layers - RNNs)
• 42. لایه های LSTM و GRU
• 43. لایه های ترنسفورمر (Transformer Layers)
• 44. معماری های CNN برای بینایی کامپیوتر
• 45. معماری های RNN برای پردازش زبان طبیعی (NLP)
• 46. معماری های ترنسفورمر برای NLP
• 47. تکنیک های تنظیم مدل (Model Tuning)
• 48. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 49. تکنیک های منظم سازی (Regularization Techniques)
• 50. بک پر وdropout
• 51. روش های منظم سازی L1 و L2
• 52. افزایش داده (Data Augmentation)
• 53. آموزش مدل در مقیاس بزرگ
• 54. استفاده از GPU و TPU در GCP
• 55. آموزش توزیع شده (Distributed Training)
• 56. استفاده از Dataflow برای پردازش داده
• 57. استفاده از Beam برای پردازش داده
• 58. استفاده از Spark در GCP
• 59. استقرار مدل های یادگیری عمیق
• 60. انتخاب روش استقرار مناسب
• 61. استقرار مدل در Vertex AI Endpoints
• 62. استفاده از GKE برای استقرار مدل
• 63. استقرار مدل با استفاده از Docker
• 64. استقرار مدل به صورت Real-time
• 65. استقرار مدل به صورت Batch
• 66. استقرار مدل بر روی دستگاه های لبه (Edge Devices)
• 67. مانیتورینگ و نگهداری مدل های مستقر شده
• 68. شناسایی انحراف داده (Data Drift)
• 69. شناسایی انحراف مدل (Model Drift)
• 70. بازآموزی مدل (Model Retraining)
• 71. مدیریت چرخه عمر مدل (Model Lifecycle Management)
• 72. امنیت در GCP برای یادگیری عمیق
• 73. مدیریت هویت و دسترسی (IAM)
• 74. رمزگذاری داده ها در GCP
• 75. شبکه های خصوصی مجازی (VPCs)
• 76. بررسی و اعتبارسنجی مدل ها
• 77. تفسیرپذیری مدل (Model Interpretability)
• 78. استفاده از Shap و LIME
• 79. بصری سازی نتایج یادگیری عمیق
• 80. داشبوردهای سفارشی در GCP
• 81. ابزارهای بصری سازی داده ها
• 82. مدیریت هزینه ها در GCP
• 83. بهینه سازی هزینه های محاسباتی
• 84. بهینه سازی هزینه های ذخیره سازی
• 85. بهینه سازی هزینه های شبکه
• 86. استفاده از Spot Instances
• 87. موارد استفاده از یادگیری عمیق در GCP
• 88. بینایی کامپیوتر (Computer Vision)
• 89. پردازش زبان طبیعی (NLP)
• 90. تحلیل احساسات (Sentiment Analysis)
• 91. ترجمه ماشینی (Machine Translation)
• 92. سیستم های توصیه گر (Recommender Systems)
• 93. تشخیص ناهنجاری (Anomaly Detection)
• 94. تولید محتوا (Content Generation)
• 95. یادگیری تقویتی (Reinforcement Learning)
• 96. معرفی AutoML در Vertex AI
• 97. استفاده از AutoML Vision
• 98. استفاده از AutoML NLP
• 99. استفاده از AutoML Tables
• 100. مقایسه AutoML با آموزش دستی مدل