دوره طراحی و پیاده‌سازی سیستم‌های یادگیری ماشین در عمل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی سیستم‌های یادگیری ماشین در عمل

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین برای مهندسی
• 2. مقدمه‌ای بر چرخه حیات سیستم‌های یادگیری ماشین
• 3. جمع‌آوری و آماده‌سازی داده‌ها برای مدل‌ها
• 4. مهندسی ویژگی: اصول و تکنیک‌ها
• 5. انتخاب مدل: معیارهای ارزیابی و روش‌ها
• 6. آموزش مدل‌ها: الگوریتم‌ها و پارامترها
• 7. اعتبارسنجی مدل و جلوگیری از بیش‌برازش
• 8. استقرار مدل: استراتژی‌ها و معماری‌ها
• 9. مانیتورینگ عملکرد مدل پس از استقرار
• 10. مدیریت چرخه حیات مدل (MLOps)
• 11. معماری‌های سیستم‌های یادگیری ماشین مقیاس‌پذیر
• 12. پردازش داده‌ها در مقیاس بزرگ
• 13. ساخت خطوط لوله داده (Data Pipelines)
• 14. استانداردسازی و مدیریت مصنوعات مدل
• 15. نسخه‌بندی داده‌ها و مدل‌ها
• 16. خودکارسازی فرآیندهای یادگیری ماشین
• 17. مدیریت آزمایش‌ها (Experiment Tracking)
• 18. استقرار مدل به صورت سرویس (Model Serving)
• 19. APIهای یادگیری ماشین و ارتباط با سیستم‌ها
• 20. استقرار مدل‌های دسته‌ای (Batch Inference)
• 21. استقرار مدل‌های بلادرنگ (Real-time Inference)
• 22. استراتژی‌های A/B تست برای مدل‌ها
• 23. مانیتورینگ انحراف داده (Data Drift)
• 24. مانیتورینگ انحراف مدل (Model Drift)
• 25. بازآموزی مدل‌ها و به‌روزرسانی خودکار
• 26. مدیریت زیرساخت برای MLOps
• 27. خدمات ابری برای یادگیری ماشین
• 28. ابزارهای متن‌باز برای MLOps
• 29. امنیت در سیستم‌های یادگیری ماشین
• 30. حریم خصوصی داده‌ها در یادگیری ماشین
• 31. مسئولیت‌پذیری و شفافیت مدل‌ها
• 32. اخلاق در هوش مصنوعی و یادگیری ماشین
• 33. مدیریت ریسک در سیستم‌های یادگیری ماشین
• 34. ارزیابی هزینه و فایده سیستم‌های ML
• 35. بهینه‌سازی عملکرد و سرعت مدل‌ها
• 36. فشرده‌سازی مدل‌ها برای استقرار
• 37. کوانتیزاسیون مدل‌ها
• 38. تقطیر دانش (Knowledge Distillation)
• 39. یادگیری انتقالی (Transfer Learning)
• 40. مدل‌های پایه (Foundation Models)
• 41. کاربرد مدل‌های پایه در مهندسی ML
• 42. تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 43. تکنیک‌های توضیح‌پذیری مدل
• 44. ارزیابی عادلانه مدل‌ها (Fairness)
• 45. کاهش سوگیری در داده‌ها و مدل‌ها
• 46. سیستم‌های توصیه‌گر: مبانی
• 47. طراحی سیستم‌های توصیه‌گر مقیاس‌پذیر
• 48. فیلترینگ مشارکتی (Collaborative Filtering)
• 49. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 50. مدل‌های ترکیبی برای توصیه‌گرها
• 51. ارزیابی سیستم‌های توصیه‌گر
• 52. پردازش زبان طبیعی (NLP): مقدمات
• 53. مدل‌های زبانی و نمایش متن
• 54. استخراج ویژگی از متن
• 55. طبقه‌بندی متن
• 56. تشخیص موجودیت نام‌گذاری شده (NER)
• 57. تحلیل احساسات (Sentiment Analysis)
• 58. ترجمه ماشینی
• 59. تولید متن
• 60. سیستم‌های پرسش و پاسخ
• 61. یادگیری عمیق برای NLP
• 62. شبکه‌های عصبی بازگشتی (RNN)
• 63. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 64. شبکه‌های عصبی کانولوشنی (CNN) برای متن
• 65. معماری ترنسفورمر (Transformer)
• 66. مدل‌های ترنسفورمر پیش‌آموزش‌دیده
• 67. کاربرد مدل‌های ترنسفورمر در وظایف NLP
• 68. بینایی ماشین (Computer Vision): مقدمات
• 69. پردازش و نمایش تصاویر
• 70. استخراج ویژگی از تصاویر
• 71. تشخیص اشیاء
• 72. دسته‌بندی تصاویر
• 73. تقسیم‌بندی تصاویر (Image Segmentation)
• 74. تشخیص چهره
• 75. تولید تصویر
• 76. یادگیری عمیق برای بینایی ماشین
• 77. شبکه‌های عصبی کانولوشنی (CNN)
• 78. معماری‌های پیشرفته CNN
• 79. یادگیری تقویتی (Reinforcement Learning): مبانی
• 80. عناصر یادگیری تقویتی
• 81. الگوریتم‌های یادگیری تقویتی
• 82. کاربرد یادگیری تقویتی در بهینه‌سازی
• 83. مدیریت سیستم‌های توزیع‌شده برای ML
• 84. استقرار مدل‌ها در محیط‌های ابری
• 85. استقرار مدل‌ها در دستگاه‌های لبه (Edge Devices)
• 86. هماهنگ‌سازی مدل‌ها و داده‌ها
• 87. تست و اعتبارسنجی سیستم‌های ML
• 88. مستندسازی سیستم‌های یادگیری ماشین
• 89. اصول مهندسی نرم‌افزار در MLOps
• 90. فرهنگ سازمانی برای MLOps
• 91. آینده مهندسی یادگیری ماشین
• 92. نوآوری در معماری‌های ML
• 93. یادگیری ماشین قابل توضیح و اخلاقی
• 94. سیستم‌های ML خودکار و هوشمند
• 95. نکات کلیدی در پیاده‌سازی موفق سیستم‌های ML