دوره پیاده‌سازی و بهره‌برداری از راه‌حل‌های یادگیری ماشین در پلتفرم ابری Azure همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و بهره‌برداری از راه‌حل‌های یادگیری ماشین در پلتفرم ابری Azure

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. انواع مسائل یادگیری ماشین
• 5. مجموعه داده‌ها و آماده‌سازی آن‌ها
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. مهندسی ویژگی
• 8. انتخاب ویژگی
• 9. مدل‌های یادگیری نظارت شده: رگرسیون خطی
• 10. رگرسیون لجستیک
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. درختان تصمیم
• 13. جنگل‌های تصادفی
• 14. مدل‌های یادگیری بدون نظارت: خوشه‌بندی K-Means
• 15. خوشه‌بندی سلسله مراتبی
• 16. کاهش ابعاد: PCA
• 17. تکنیک‌های ارزیابی مدل
• 18. معیارهای ارزیابی برای رگرسیون
• 19. معیارهای ارزیابی برای طبقه‌بندی
• 20. اعتبارسنجی متقابل
• 21. تنظیم فراپارامترها
• 22. مقدمه بر Azure Machine Learning
• 23. محیط‌های توسعه در Azure ML
• 24. فضاهای کاری (Workspaces) در Azure ML
• 25. مدیریت مجموعه داده‌ها در Azure ML
• 26. مدیریت مدل‌ها در Azure ML
• 27. مدیریت نقاط پایانی (Endpoints) در Azure ML
• 28. آموزش مدل‌ها در Azure ML
• 29. استفاده از Notebooks در Azure ML
• 30. استفاده از Designer در Azure ML
• 31. استفاده از CLI در Azure ML
• 32. استفاده از SDK در Azure ML
• 33. استقرار مدل‌ها در Azure ML
• 34. استقرار مدل‌ها به عنوان نقاط پایانی آنلاین
• 35. استقرار مدل‌ها به عنوان نقاط پایانی دسته‌ای
• 36. مدیریت چرخه حیات مدل (MLOps)
• 37. پایپ‌لاین‌های Azure ML
• 38. اتوماسیون در MLOps
• 39. نظارت بر مدل‌ها در Azure ML
• 40. ردیابی آزمایش‌ها (Experiment Tracking)
• 41. مدیریت نسخه‌ها (Versioning)
• 42. پایپ‌لاین‌های CI/CD برای یادگیری ماشین
• 43. امنیت در Azure ML
• 44. حریم خصوصی داده‌ها در Azure ML
• 45. اخلاق در هوش مصنوعی
• 46. سوگیری در داده‌ها و مدل‌ها
• 47. عدالت و شفافیت در هوش مصنوعی
• 48. تفسیرپذیری مدل‌ها (Explainable AI)
• 49. مقدمه بر یادگیری عمیق
• 50. شبکه‌های عصبی مصنوعی
• 51. شبکه‌های عصبی کانولوشنی (CNN)
• 52. کاربرد CNN در بینایی ماشین
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. کاربرد RNN در پردازش زبان طبیعی
• 55. ترنسفورمرها و توجه (Attention)
• 56. مقدمه بر پردازش زبان طبیعی (NLP)
• 57. پیش‌پردازش متن
• 58. مدل‌سازی موضوعی (Topic Modeling)
• 59. تحلیل احساسات (Sentiment Analysis)
• 60. ترجمه ماشینی
• 61. سیستم‌های توصیه‌گر
• 62. مقدمه بر بینایی ماشین (Computer Vision)
• 63. تشخیص اشیاء
• 64. تقسیم‌بندی تصویر (Image Segmentation)
• 65. تولید تصویر
• 66. کاربردهای عملی یادگیری ماشین در صنعت
• 67. یادگیری ماشین در سلامت
• 68. یادگیری ماشین در مالی
• 69. یادگیری ماشین در خرده‌فروشی
• 70. یادگیری ماشین در تولید
• 71. یادگیری ماشین در حمل و نقل
• 72. یادگیری ماشین در انرژی
• 73. یادگیری ماشین در کشاورزی
• 74. یادگیری ماشین در آموزش
• 75. یادگیری ماشین در خدمات دولتی
• 76. ملاحظات امنیتی در استقرار مدل‌ها
• 77. بهینه‌سازی عملکرد مدل‌ها
• 78. مقیاس‌پذیری راه‌حل‌های یادگیری ماشین
• 79. مدیریت هزینه‌ها در Azure ML
• 80. ابزارها و تکنیک‌های پیشرفته در Azure ML
• 81. یادگیری تقویتی در Azure ML
• 82. یادگیری فدرال (Federated Learning)
• 83. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 84. یادگیری انتقالی (Transfer Learning)
• 85. هوش مصنوعی مولد (Generative AI)
• 86. مدل‌های زبان بزرگ (LLMs)
• 87. کاربرد LLMs در Azure
• 88. ملاحظات فنی در پیاده‌سازی راه‌حل‌های ML
• 89. استراتژی‌های استقرار و مانیتورینگ
• 90. آینده یادگیری ماشین و هوش مصنوعی
• 91. مبانی حقوقی و مقررات مربوط به داده‌ها و هوش مصنوعی در ایران
• 92. اصول اخلاقی در توسعه و به‌کارگیری هوش مصنوعی در چارچوب اسلامی
• 93. ملاحظات فرهنگی در پیاده‌سازی راه‌حل‌های هوش مصنوعی
• 94. کاربرد هوش مصنوعی در بهبود فرآیندهای اداری و خدماتی در ایران
• 95. توسعه پایدار و نقش هوش مصنوعی
• 96. چالش‌ها و فرصت‌های هوش مصنوعی در اقتصاد دانش‌بنیان ایران
• 97. مطالعات موردی پیاده‌سازی موفق هوش مصنوعی در ایران
• 98. آینده‌پژوهی در حوزه هوش مصنوعی و یادگیری ماشین در ایران