دوره ساخت سرویس‌های پیش‌بینی آینده با Azure ML و R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت سرویس‌های پیش‌بینی آینده با Azure ML و R

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌سازی پیش‌بینانه با استفاده از ابزارهای ابری

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مقدمه ای بر Azure Machine Learning
• 8. ایجاد فضای کاری در Azure ML
• 9. مجموعه داده ها در Azure ML
• 10. ویژگی های مجموعه داده
• 11. بارگذاری داده ها در Azure ML
• 12. مدیریت مجموعه داده ها
• 13. آماده سازی داده ها
• 14. پاکسازی داده ها
• 15. تبدیل داده ها
• 16. مهندسی ویژگی
• 17. انتخاب ویژگی
• 18. تقسیم داده ها
• 19. مدل های یادگیری ماشین
• 20. رگرسیون خطی
• 21. رگرسیون لجستیک
• 22. ماشین بردار پشتیبان (SVM)
• 23. درختان تصمیم
• 24. جنگل های تصادفی
• 25. شبکه های عصبی
• 26. مقدمه ای بر زبان R
• 27. محیط توسعه RStudio
• 28. مبانی زبان R
• 29. ساختار داده ها در R
• 30. توابع در R
• 31. بسته های R
• 32. نصب و بارگذاری بسته ها
• 33. تجسم داده ها در R
• 34. کتابخانه ggplot2
• 35. رسم نمودارهای پراکندگی
• 36. رسم نمودارهای خطی
• 37. رسم نمودارهای میله ای
• 38. رسم نمودارهای هیستوگرام
• 39. رسم نمودارهای جعبه ای
• 40. آماده سازی داده ها در R
• 41. پاکسازی داده ها در R
• 42. تبدیل داده ها در R
• 43. مهندسی ویژگی در R
• 44. انتخاب ویژگی در R
• 45. تقسیم داده ها در R
• 46. ساخت مدل های یادگیری ماشین در R
• 47. آموزش مدل های رگرسیون در R
• 48. ارزیابی مدل های رگرسیون در R
• 49. آموزش مدل های طبقه بندی در R
• 50. ارزیابی مدل های طبقه بندی در R
• 51. استفاده از Azure ML SDK برای R
• 52. اتصال به Azure ML از R
• 53. مدیریت مجموعه داده ها در Azure ML از R
• 54. آماده سازی داده ها در Azure ML از R
• 55. ساخت و آموزش مدل ها در Azure ML از R
• 56. استقرار مدل ها به عنوان سرویس های وب
• 57. استقرار مدل ها در Azure ML
• 58. مصرف سرویس های وب مدل
• 59. امنیت سرویس های وب
• 60. نظارت بر سرویس های وب
• 61. مدیریت چرخه عمر مدل
• 62. مفاهیم پیش بینی کننده
• 63. ساخت پیش بینی کننده ها
• 64. تنظیم پیش بینی کننده ها
• 65. ارزیابی پیش بینی کننده ها
• 66. استقرار پیش بینی کننده ها
• 67. کاربرد پیش بینی کننده ها در کسب و کار
• 68. مدیریت داده های سری زمانی
• 69. مدل های پیش بینی سری زمانی
• 70. ارزیابی مدل های سری زمانی
• 71. پیش بینی تقاضا
• 72. پیش بینی فروش
• 73. پیش بینی قیمت
• 74. پیش بینی ریسک
• 75. مقدمه ای بر یادگیری عمیق
• 76. شبکه های عصبی کانولوشنال (CNN)
• 77. شبکه های عصبی بازگشتی (RNN)
• 78. کاربرد یادگیری عمیق در Azure ML
• 79. ساخت مدل های یادگیری عمیق در R
• 80. استفاده از TensorFlow و Keras در R
• 81. آموزش مدل های یادگیری عمیق در Azure ML
• 82. بهینه سازی مدل های یادگیری ماشین
• 83. تنظیم ابرپارامترها
• 84. اعتبارسنجی متقابل
• 85. روش های بهبود مدل
• 86. اخلاق در هوش مصنوعی
• 87. سوگیری در الگوریتم ها
• 88. شفافیت و توضیح پذیری
• 89. حریم خصوصی داده ها
• 90. مسئولیت پذیری در هوش مصنوعی
• 91. ملاحظات قانونی و شرعی در هوش مصنوعی
• 92. امنیت داده ها و مدل ها
• 93. ملاحظات اقتصادی پیاده سازی هوش مصنوعی
• 94. مدیریت تغییرات سازمانی
• 95. آینده هوش مصنوعی و یادگیری ماشین
• 96. نوآوری در سرویس های پیش بینی کننده
• 97. روندهای نوظهور در Azure ML
• 98. کاربرد هوش مصنوعی در صنایع مختلف
• 99. توسعه مهارت های لازم برای کار با هوش مصنوعی