دوره تحلیل عملکرد مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل عملکرد مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate)

موضوع کلی: مهندسی و عملیات یادگیری ماشین

موضوع میانی: ارزیابی و بهینه‌سازی عملکرد مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری ماشین در AWS
• 2. مبانی ارزیابی مدل‌های یادگیری ماشین
• 3. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 4. دقت (Accuracy) در طبقه‌بندی
• 5. دقت و بازیابی (Precision and Recall)
• 6. امتیاز F1 (F1 Score)
• 7. ماتریس درهم‌ریختگی (Confusion Matrix)
• 8. منحنی ROC و سطح زیر منحنی (AUC)
• 9. معیارهای ارزیابی برای مسائل رگرسیون
• 10. خطای میانگین مربعات (MSE)
• 11. ریشه خطای میانگین مربعات (RMSE)
• 12. خطای میانگین قدر مطلق (MAE)
• 13. نسبت خطای میانگین مربعات (MSPE)
• 14. معیارهای ارزیابی برای خوشه‌بندی
• 15. شاخص سیلوئت (Silhouette Score)
• 16. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 17. معیارهای ارزیابی برای مدل‌های تولیدی
• 18. مقایسه معیارهای ارزیابی در AWS SageMaker
• 19. انتخاب معیارهای مناسب بر اساس مسئله
• 20. ارزیابی مدل‌های پیش‌بینی سری زمانی
• 21. معیارهای ارزیابی برای مدل‌های پردازش زبان طبیعی
• 22. ارزیابی مدل‌های بینایی ماشین
• 23. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 24. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 25. جستجوی شبکه‌ای (Grid Search)
• 26. جستجوی تصادفی (Random Search)
• 27. بهینه‌سازی بیزی (Bayesian Optimization)
• 28. تنظیم ابرپارامترها در AWS SageMaker
• 29. یادگیری انتقالی (Transfer Learning)
• 30. تنظیم دقیق مدل‌های یادگیری انتقالی
• 31. مقدمه‌ای بر کاهش ابعاد
• 32. تحلیل مولفه‌های اصلی (PCA)
• 33. تجزیه مقادیر منفرد (SVD)
• 34. کاهش ابعاد در AWS SageMaker
• 35. انتخاب ویژگی (Feature Selection)
• 36. روش‌های مبتنی بر فیلتر (Filter Methods)
• 37. روش‌های مبتنی بر لفاف (Wrapper Methods)
• 38. روش‌های مبتنی بر جاسازی (Embedded Methods)
• 39. انتخاب ویژگی در AWS SageMaker
• 40. مهندسی ویژگی (Feature Engineering)
• 41. تولید ویژگی‌های جدید
• 42. تبدیل ویژگی‌ها
• 43. مقیاس‌بندی ویژگی‌ها
• 44. کدگذاری ویژگی‌های دسته‌ای
• 45. مهندسی ویژگی در AWS SageMaker
• 46. مدیریت داده‌های نامتوازن (Imbalanced Data)
• 47. تکنیک‌های نمونه‌برداری (Sampling Techniques)
• 48. SMOTE و انواع آن
• 49. ارزیابی مدل‌ها با داده‌های نامتوازن
• 50. مدیریت داده‌های نامتوازن در AWS SageMaker
• 51. تفسیرپذیری مدل (Model Interpretability)
• 52. مقدمه‌ای بر تفسیرپذیری
• 53. تکنیک‌های تفسیرپذیری محلی (Local Interpretability)
• 54. LIME و SHAP
• 55. تفسیرپذیری سراسری (Global Interpretability)
• 56. تکنیک‌های مبتنی بر اهمیت ویژگی
• 57. تفسیرپذیری مدل در AWS SageMaker
• 58. عیب‌یابی مدل‌های یادگیری ماشین
• 59. تشخیص بیش‌برازش (Overfitting)
• 60. تشخیص کم‌برازش (Underfitting)
• 61. روش‌های تشخیص و رفع بیش‌برازش
• 62. روش‌های تشخیص و رفع کم‌برازش
• 63. عیب‌یابی مدل در AWS SageMaker
• 64. مدیریت چرخه حیات مدل (MLOps)
• 65. مقدمه‌ای بر MLOps
• 66. استقرار مدل (Model Deployment)
• 67. مانیتورینگ عملکرد مدل در تولید
• 68. بازآموزی مدل (Model Retraining)
• 69. اتوماسیون فرآیندهای MLOps
• 70. MLOps در AWS SageMaker
• 71. ارزیابی و بهینه‌سازی مدل‌های طبقه‌بندی پیشرفته
• 72. ارزیابی مدل‌های تشخیص ناهنجاری
• 73. معیارهای ارزیابی برای داده‌های پرت
• 74. ارزیابی مدل‌های تشخیص تقلب
• 75. بهینه‌سازی مدل‌ها برای تشخیص ناهنجاری
• 76. ارزیابی و بهینه‌سازی مدل‌های رگرسیون پیشرفته
• 77. پیش‌بینی سری‌های زمانی پیچیده
• 78. ارزیابی مدل‌های پیش‌بینی تقاضا
• 79. بهینه‌سازی مدل‌های رگرسیون برای دقت بالا
• 80. ارزیابی و بهینه‌سازی مدل‌های خوشه‌بندی پیشرفته
• 81. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 82. خوشه‌بندی مبتنی بر چگالی (Density-Based Clustering)
• 83. ارزیابی خوشه‌بندی در داده‌های بزرگ
• 84. بهینه‌سازی پارامترهای خوشه‌بندی
• 85. ارزیابی و بهینه‌سازی مدل‌های یادگیری تقویتی
• 86. مقدمه‌ای بر یادگیری تقویتی
• 87. معیارهای ارزیابی در یادگیری تقویتی
• 88. بهینه‌سازی سیاست‌ها در یادگیری تقویتی
• 89. ارزیابی و بهینه‌سازی مدل‌های یادگیری عمیق
• 90. ارزیابی شبکه‌های عصبی کانولوشنی (CNN)
• 91. ارزیابی شبکه‌های عصبی بازگشتی (RNN)
• 92. تنظیم ابرپارامترها در شبکه‌های عصبی عمیق
• 93. بهینه‌سازی معماری مدل‌های عمیق
• 94. ملاحظات امنیتی در ارزیابی و بهینه‌سازی مدل
• 95. حفظ حریم خصوصی داده‌ها در ارزیابی
• 96. حفاظت از مدل در برابر حملات
• 97. ارزیابی مدل‌ها در چارچوب قوانین ایران
• 98. بهینه‌سازی مدل‌ها با رعایت مقررات
• 99. بررسی موارد عملیاتی ارزیابی و بهینه‌سازی مدل
• 100. مطالعه موردی ۱: ارزیابی مدل پیش‌بینی مشتری