دوره تحلیل هوشمند داده، یادگیری ماشین و هوش مصنوعی در پلتفرم ابری گوگل (GCP) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل هوشمند داده، یادگیری ماشین و هوش مصنوعی در پلتفرم ابری گوگل (GCP)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: تحلیل داده‌های هوشمند با استفاده از پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل هوشمند داده
• 2. مبانی یادگیری ماشین
• 3. مفاهیم کلیدی هوش مصنوعی
• 4. آشنایی با پلتفرم ابری گوگل (GCP)
• 5. ذخیره‌سازی داده‌ها در GCP
• 6. مدیریت پایگاه‌های داده رابطه‌ای در GCP
• 7. پایگاه‌های داده NoSQL در GCP
• 8. تحلیل داده‌های جریانی در GCP
• 9. مقدمه‌ای بر BigQuery
• 10. طراحی انبار داده در BigQuery
• 11. پرس‌وجوهای پیشرفته در BigQuery
• 12. بهینه‌سازی عملکرد BigQuery
• 13. آشنایی با Dataflow
• 14. پردازش داده‌های دسته‌ای با Dataflow
• 15. پردازش داده‌های جریانی با Dataflow
• 16. کابرد Dataflow در ETL
• 17. معرفی Cloud Dataproc
• 18. اجرای Spark و Hadoop در Dataproc
• 19. کاربرد Dataproc در تحلیل کلان‌داده
• 20. مقدمه‌ای بر AI Platform
• 21. آموزش مدل‌های یادگیری ماشین در AI Platform
• 22. استقرار مدل‌ها در AI Platform
• 23. مدیریت چرخه حیات مدل در AI Platform
• 24. آشنایی با Vertex AI
• 25. آموزش مدل‌های یادگیری ماشین با Vertex AI
• 26. تنظیم ابرپارامترها در Vertex AI
• 27. ارزیابی و انتخاب مدل در Vertex AI
• 28. استقرار مدل‌ها در Vertex AI
• 29. مدیریت مدل‌ها با Vertex AI
• 30. مقدمه‌ای بر AutoML
• 31. آموزش مدل‌های طبقه‌بندی با AutoML
• 32. آموزش مدل‌های رگرسیون با AutoML
• 33. آموزش مدل‌های پیش‌بینی سری زمانی با AutoML
• 34. کاربرد AutoML در کسب‌وکار
• 35. آشنایی با Cloud Natural Language API
• 36. تحلیل احساسات با Cloud Natural Language API
• 37. شناسایی موجودیت‌ها با Cloud Natural Language API
• 38. تحلیل نحو با Cloud Natural Language API
• 39. کاربرد پردازش زبان طبیعی در تحلیل داده
• 40. آشنایی با Cloud Vision API
• 41. شناسایی اشیاء در تصاویر با Cloud Vision API
• 42. تشخیص چهره با Cloud Vision API
• 43. خواندن متن از تصاویر با Cloud Vision API
• 44. کاربرد بینایی ماشین در تحلیل داده
• 45. آشنایی با Cloud Translation API
• 46. ترجمه متن با Cloud Translation API
• 47. تشخیص زبان با Cloud Translation API
• 48. کاربرد ترجمه ماشینی در تحلیل داده
• 49. مقدمه‌ای بر TensorFlow Enterprise
• 50. آموزش مدل‌های عمیق با TensorFlow Enterprise
• 51. بهینه‌سازی مدل‌های عمیق در GCP
• 52. کابرد TensorFlow Enterprise در پروژه‌های بزرگ
• 53. آشنایی با Kubeflow Pipelines
• 54. ایجاد خطوط لوله یادگیری ماشین با Kubeflow
• 55. مدیریت و اجرای خطوط لوله
• 56. مانیتورینگ و اشکال‌زدایی خطوط لوله
• 57. کابرد Kubeflow در MLOps
• 58. مقدمه‌ای بر هوش مصنوعی مولد
• 59. معرفی مدل‌های زبانی بزرگ (LLMs)
• 60. کاربرد LLMs در تحلیل داده
• 61. تولید محتوا با LLMs
• 62. ملاحظات اخلاقی در هوش مصنوعی مولد
• 63. امنیت داده‌ها در پلتفرم‌های ابری
• 64. حفظ حریم خصوصی داده‌ها در GCP
• 65. مدیریت دسترسی و مجوزها در GCP
• 66. استراتژی‌های حفاظت از داده‌ها
• 67. پایبندی به مقررات حفاظت از داده‌ها
• 68. مقدمه‌ای بر امنیت سایبری در هوش مصنوعی
• 69. حملات متداول به مدل‌های یادگیری ماشین
• 70. تکنیک‌های دفاع در برابر حملات
• 71. امنیت در چرخه حیات توسعه مدل
• 72. بهترین شیوه‌ها برای امنیت هوش مصنوعی
• 73. مقدمه‌ای بر اتوماسیون فرآیندها با هوش مصنوعی
• 74. شناسایی فرصت‌های اتوماسیون
• 75. ابزارهای اتوماسیون در GCP
• 76. پیاده‌سازی اتوماسیون هوشمند
• 77. ارزیابی نتایج اتوماسیون
• 78. آشنایی با هوش مصنوعی در خدمات مشتری
• 79. چت‌بات‌ها و دستیارهای مجازی
• 80. تحلیل بازخورد مشتریان
• 81. شخصی‌سازی تجربیات مشتری
• 82. بهبود کارایی خدمات مشتری
• 83. مقدمه‌ای بر هوش مصنوعی در مدیریت زنجیره تأمین
• 84. پیش‌بینی تقاضا
• 85. بهینه‌سازی موجودی
• 86. مدیریت ریسک
• 87. افزایش کارایی زنجیره تأمین
• 88. مقدمه‌ای بر هوش مصنوعی در تشخیص پزشکی
• 89. تحلیل تصاویر پزشکی
• 90. پیش‌بینی بیماری‌ها
• 91. کمک به تشخیص پزشکان
• 92. ملاحظات اخلاقی در هوش مصنوعی پزشکی
• 93. مقدمه‌ای بر هوش مصنوعی در مالی
• 94. تشخیص تقلب
• 95. مدیریت ریسک اعتباری
• 96. معاملات الگوریتمی
• 97. شخصی‌سازی خدمات مالی
• 98. مقدمه‌ای بر یادگیری تقویتی
• 99. مفاهیم کلیدی یادگیری تقویتی
• 100. کاربرد یادگیری تقویتی در GCP