دوره مهندسی مدل‌های یادگیری ماشین در AWS: بهینه‌سازی و ارتقاء عملکرد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی مدل‌های یادگیری ماشین در AWS: بهینه‌سازی و ارتقاء عملکرد

موضوع کلی: مهندسی یادگیری ماشین در فضای ابری

موضوع میانی: بهینه‌سازی و بهبود مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری ماشین در AWS
• 2. مفاهیم کلیدی بهینه‌سازی مدل
• 3. شناسایی گلوگاه‌های عملکرد مدل
• 4. متریک‌های ارزیابی مدل در AWS
• 5. انتخاب متریک مناسب برای مدل‌های یادگیری ماشین
• 6. مدیریت داده برای بهینه‌سازی مدل
• 7. پاکسازی و پیش‌پردازش داده‌ها برای بهبود
• 8. مهندسی ویژگی برای افزایش دقت مدل
• 9. تکنیک‌های مهندسی ویژگی در AWS SageMaker
• 10. مقابله با بیش‌برازش (Overfitting)
• 11. روش‌های منظم‌سازی (Regularization) در مدل‌ها
• 12. کاهش ابعاد داده‌ها برای مدل‌های کارآمد
• 13. تحلیل مولفه‌های اصلی (PCA) در AWS
• 14. استفاده از الگوریتم‌های یادگیری تقویتی برای بهینه‌سازی
• 15. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 16. جستجوی شبکه‌ای (Grid Search)
• 17. جستجوی تصادفی (Random Search)
• 18. بهینه‌سازی بیزی (Bayesian Optimization)
• 19. تنظیم ابرپارامتر با استفاده از AWS SageMaker
• 20. مدیریت آزمایش‌ها (Experiment Management)
• 21. ردیابی نتایج و ابرپارامترها
• 22. مقایسه مدل‌های مختلف
• 23. استفاده از ابزارهای تجسم داده برای تحلیل
• 24. بصری‌سازی عملکرد مدل
• 25. تکنیک‌های بهبود مدل‌های یادگیری عمیق
• 26. شبکه‌های عصبی کانولوشنال (CNN)
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. ترنسفورمرها (Transformers)
• 29. تنظیم مدل‌های ترنسفورمر در AWS
• 30. بهینه‌سازی مدل‌های پردازش زبان طبیعی (NLP)
• 31. مدل‌های طبقه‌بندی متن
• 32. مدل‌های تشخیص موجودیت نام‌گذاری شده (NER)
• 33. مدل‌های ترجمه ماشینی
• 34. بهینه‌سازی مدل‌های بینایی ماشین
• 35. مدل‌های تشخیص تصویر
• 36. مدل‌های قطعه‌بندی تصویر
• 37. مدل‌های تشخیص اشیاء
• 38. یادگیری انتقالی (Transfer Learning)
• 39. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 40. استفاده از مدل‌های هوک (Hook) در AWS SageMaker
• 41. مدیریت چرخه عمر مدل (Model Lifecycle Management)
• 42. نسخه‌بندی مدل‌ها (Model Versioning)
• 43. استقرار مدل‌ها (Model Deployment)
• 44. استقرار مدل‌های بلادرنگ (Real-time Inference)
• 45. استقرار مدل‌های دسته‌ای (Batch Inference)
• 46. بهینه‌سازی هزینه‌های استقرار مدل
• 47. مقیاس‌پذیری زیرساخت‌های AWS برای مدل‌ها
• 48. استفاده از AWS Lambda برای استقرار مدل
• 49. استفاده از AWS Elastic Kubernetes Service (EKS)
• 50. نظارت بر عملکرد مدل پس از استقرار
• 51. کشف انحراف داده (Data Drift Detection)
• 52. کشف انحراف مدل (Model Drift Detection)
• 53. تنظیم مجدد مدل‌ها (Model Retraining)
• 54. خودکارسازی فرآیند تنظیم مجدد مدل
• 55. استفاده از AWS Step Functions برای اتوماسیون
• 56. بهینه‌سازی مصرف منابع محاسباتی
• 57. انتخاب نمونه‌های مناسب AWS EC2
• 58. استفاده از GPU برای تسریع آموزش
• 59. مدیریت حافظه در مدل‌های بزرگ
• 60. فشرده‌سازی مدل‌ها (Model Compression)
• 61. هرس کردن (Pruning) شبکه‌های عصبی
• 62. کوانتیزاسیون (Quantization) مدل‌ها
• 63. تقطیر دانش (Knowledge Distillation)
• 64. استفاده از AWS Inferentia برای استنتاج
• 65. استفاده از AWS Graviton برای کارایی
• 66. بهینه‌سازی برای دستگاه‌های لبه (Edge Devices)
• 67. AWS IoT Greengrass برای استقرار لبه
• 68. مدل‌های سبک وزن برای دستگاه‌های محدود
• 69. امنیت مدل‌های یادگیری ماشین
• 70. مدیریت دسترسی به مدل‌ها
• 71. محافظت از داده‌های آموزشی
• 72. جلوگیری از حملات متخاصم (Adversarial Attacks)
• 73. مبانی اخلاق در یادگیری ماشین
• 74. مسئولیت‌پذیری در توسعه مدل
• 75. شفافیت و قابلیت تفسیر مدل‌ها
• 76. تفسیرپذیری مدل‌های یادگیری ماشین (Explainability)
• 77. استفاده از SHAP و LIME در AWS
• 78. مدیریت ریسک در مدل‌های یادگیری ماشین
• 79. ارزیابی و کاهش ریسک‌های احتمالی
• 80. مستندسازی فرآیند توسعه و بهینه‌سازی مدل
• 81. ایجاد داشبوردهای نظارتی
• 82. تست A/B برای مقایسه مدل‌ها
• 83. بهینه‌سازی مستمر مدل‌ها
• 84. استراتژی‌های بهبود بلندمدت مدل
• 85. یادگیری ماشین در مقیاس بزرگ (Large-scale ML)
• 86. اتوماسیون در مهندسی یادگیری ماشین
• 87. ابزارهای MLOps در AWS
• 88. پایپ‌لاین‌های CI/CD برای مدل‌های ML
• 89. مقدمه‌ای بر یادگیری تقویتی در AWS
• 90. بهینه‌سازی مصرف انرژی در محاسبات ML
• 91. مقدمه‌ای بر یادگیری آماری در AWS
• 92. تکنیک‌های نمونه‌برداری برای داده‌های حجیم
• 93. مدیریت خطا در مدل‌های یادگیری ماشین
• 94. پیاده‌سازی الگوریتم‌های بهینه‌سازی پیشرفته
• 95. مفاهیم یادگیری فعال (Active Learning)
• 96. بهینه‌سازی برای استنتاج با تاخیر کم
• 97. ملاحظات مربوط به حریم خصوصی در مدل‌ها
• 98. ارزیابی انطباق مدل با مقررات
• 99. استفاده از AWS Model Cards
• 100. تکنیک‌های یادگیری فدرال (Federated Learning)