دوره عملیات یادگیری ماشین با Vertex AI: ارزیابی مدل‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره عملیات یادگیری ماشین با Vertex AI: ارزیابی مدل‌ها

موضوع کلی: مهندسی و عملیات یادگیری ماشین

موضوع میانی: ارزیابی و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر عملیات یادگیری ماشین (MLOps)
• 2. مفاهیم کلیدی MLOps
• 3. نقش Vertex AI در MLOps
• 4. مروری بر چرخه حیات مدل یادگیری ماشین
• 5. اهمیت ارزیابی مدل در MLOps
• 6. مراحل ارزیابی مدل
• 7. انتخاب معیارهای مناسب ارزیابی
• 8. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 9. دقت (Accuracy)
• 10. صحت (Precision)
• 11. بازیابی (Recall)
• 12. امتیاز F1
• 13. ماتریس درهم‌ریختگی (Confusion Matrix)
• 14. منحنی ROC و AUC
• 15. معیارهای ارزیابی برای مسائل رگرسیون
• 16. خطای میانگین مربعات (MSE)
• 17. ریشه خطای میانگین مربعات (RMSE)
• 18. خطای میانگین قدر مطلق (MAE)
• 19. ضریب تعیین (R-squared)
• 20. معیارهای ارزیابی برای مسائل خوشه‌بندی
• 21. شاخص سیلوئت (Silhouette Score)
• 22. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 23. ارزیابی مدل‌های یادگیری عمیق
• 24. معیارهای خاص برای شبکه‌های عصبی کانولوشنی
• 25. معیارهای خاص برای شبکه‌های عصبی بازگشتی
• 26. ارزیابی مدل‌ها در طول زمان
• 27. انحراف داده (Data Drift)
• 28. انحراف مفهوم (Concept Drift)
• 29. تشخیص و مدیریت انحراف داده
• 30. تشخیص و مدیریت انحراف مفهوم
• 31. ابزارهای ارزیابی در Vertex AI
• 32. Vertex AI Model Registry
• 33. Vertex AI Pipelines
• 34. Vertex AI Experiments
• 35. Vertex AI Model Monitoring
• 36. ارزیابی مدل‌های پیش‌ساخته (Pre-trained Models)
• 37. ارزیابی مدل‌های سفارشی
• 38. مدیریت نسخه مدل
• 39. ردیابی آزمایش‌ها و نتایج ارزیابی
• 40. ثبت خودکار نتایج ارزیابی
• 41. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 42. اعتبارسنجی K-fold
• 43. اعتبارسنجی Leave-One-Out
• 44. اعتبارسنجی Time Series Split
• 45. ارزیابی مدل در شرایط داده نامتعادل
• 46. روش‌های نمونه‌برداری مجدد (Resampling)
• 47. SMOTE (Synthetic Minority Over-sampling Technique)
• 48. Undersampling
• 49. تکنیک‌های مبتنی بر هزینه (Cost-sensitive Learning)
• 50. تفسیرپذیری مدل (Model Interpretability)
• 51. تکنیک‌های LIME و SHAP
• 52. اهمیت تفسیرپذیری در ارزیابی
• 53. ارزیابی مدل از منظر کسب‌وکار
• 54. همسوسازی ارزیابی مدل با اهداف کسب‌وکار
• 55. ارتباط معیارهای فنی با معیارهای کسب‌وکار
• 56. نمونه‌سازی و ارزیابی مدل در عمل
• 57. مثال کاربردی: ارزیابی مدل پیش‌بینی تقلب
• 58. مثال کاربردی: ارزیابی مدل تشخیص تصویر
• 59. مثال کاربردی: ارزیابی مدل پردازش زبان طبیعی
• 60. چالش‌های رایج در ارزیابی مدل
• 61. سوگیری در داده‌ها و مدل‌ها
• 62. خطاهای انسانی در ارزیابی
• 63. هزینه محاسباتی ارزیابی
• 64. مقیاس‌پذیری فرآیند ارزیابی
• 65. بهترین شیوه‌ها در ارزیابی مدل
• 66. مستندسازی فرآیند ارزیابی
• 67. خودکارسازی فرآیند ارزیابی
• 68. بازبینی و بهبود مداوم فرآیند ارزیابی
• 69. ارتباط ارزیابی با استقرار مدل
• 70. ملاحظات امنیتی در ارزیابی مدل
• 71. حریم خصوصی داده‌ها در ارزیابی
• 72. اخلاق در ارزیابی مدل‌های هوش مصنوعی
• 73. ارزیابی مدل‌های اخلاقی و عادلانه
• 74. مقدمه‌ای بر A/B Testing برای مدل‌ها
• 75. طراحی آزمایش A/B برای مدل‌ها
• 76. تحلیل نتایج آزمایش A/B
• 77. ارزیابی مدل در محیط تولید (Production)
• 78. نظارت مستمر بر عملکرد مدل
• 79. تنظیم مجدد (Retraining) مدل‌ها
• 80. معیارهای ارزیابی برای مدل‌های توصیه‌گر
• 81. معیارهای ارزیابی برای مدل‌های تشخیص ناهنجاری
• 82. معیارهای ارزیابی برای مدل‌های تولید متن
• 83. مبانی آماری ارزیابی مدل
• 84. آزمون فرض آماری در ارزیابی
• 85. سطح معنی‌داری (Significance Level)
• 86. فاصله اطمینان (Confidence Interval)
• 87. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering) در ارزیابی
• 88. تأثیر مهندسی ویژگی بر ارزیابی مدل
• 89. ارزیابی مدل‌های با ابعاد بالا
• 90. ارزیابی مدل‌های یادگیری تقویتی
• 91. ملاحظات نهایی در ارزیابی مدل
• 92. برنامه‌ریزی برای ارزیابی مدل در پروژه‌های MLOps
• 93. نقش تیم در فرآیند ارزیابی
• 94. ارتباط با ذینفعان
• 95. جمع‌بندی و گام‌های بعدی در MLOps