دوره اعتبارسنجی و آماده‌سازی داده‌ها در مهندسی یادگیری ماشین با AWS همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اعتبارسنجی و آماده‌سازی داده‌ها در مهندسی یادگیری ماشین با AWS

موضوع کلی: مهندسی داده و یادگیری ماشین

موضوع میانی: آماده‌سازی و اعتبارسنجی داده‌ها برای مدل‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و یادگیری ماشین
• 2. مبانی اعتبارسنجی داده‌ها
• 3. اهمیت کیفیت داده‌ها در مدل‌سازی
• 4. انواع داده‌ها و ساختارهای آن‌ها
• 5. شناسایی و رفع داده‌های پرت (Outliers)
• 6. مدیریت مقادیر گمشده (Missing Values)
• 7. تکنیک‌های پر کردن مقادیر گمشده
• 8. اعتبارسنجی ساختار داده‌ها
• 9. بررسی سازگاری داده‌ها
• 10. اعتبارسنجی دامنه مقادیر
• 11. بررسی توزیع داده‌ها
• 12. تکنیک‌های بصری‌سازی داده‌ها برای اعتبارسنجی
• 13. مقدمه‌ای بر آماده‌سازی داده‌ها
• 14. پاکسازی داده‌ها
• 15. نرمال‌سازی و استانداردسازی داده‌ها
• 16. تبدیل داده‌ها
• 17. مهندسی ویژگی (Feature Engineering)
• 18. ایجاد ویژگی‌های جدید
• 19. انتخاب ویژگی (Feature Selection)
• 20. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 21. تجزیه مولفه‌های اصلی (PCA)
• 22. تحلیل تفکیک‌کننده خطی (LDA)
• 23. بررسی همبستگی بین ویژگی‌ها
• 24. آماده‌سازی داده‌ها برای مدل‌های رگرسیون
• 25. آماده‌سازی داده‌ها برای مدل‌های طبقه‌بندی
• 26. آماده‌سازی داده‌ها برای مدل‌های خوشه‌بندی
• 27. آماده‌سازی داده‌ها برای مدل‌های سری زمانی
• 28. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 29. استراتژی‌های تقسیم داده‌ها
• 30. اعتبارسنجی متقابل (Cross-Validation)
• 31. اعتبارسنجی داده‌ها در AWS
• 32. سرویس‌های AWS برای اعتبارسنجی داده‌ها
• 33. Amazon S3 برای ذخیره‌سازی داده‌ها
• 34. Amazon Athena برای پرس‌وجو از داده‌ها
• 35. Amazon Glue برای آماده‌سازی داده‌ها
• 36. Amazon SageMaker Data Wrangler
• 37. ابزارهای بصری‌سازی داده‌ها در AWS
• 38. مدیریت کیفیت داده‌ها در AWS
• 39. مدیریت داده‌های پرت در AWS
• 40. مدیریت مقادیر گمشده در AWS
• 41. پاکسازی داده‌ها با AWS Glue
• 42. نرمال‌سازی داده‌ها با SageMaker
• 43. استانداردسازی داده‌ها با SageMaker
• 44. مهندسی ویژگی در AWS SageMaker
• 45. ایجاد ویژگی‌های جدید با SageMaker
• 46. انتخاب ویژگی با SageMaker
• 47. کاهش ابعاد در AWS SageMaker
• 48. PCA در SageMaker
• 49. LDA در SageMaker
• 50. همبستگی ویژگی‌ها در SageMaker
• 51. آماده‌سازی داده‌های رگرسیون در AWS
• 52. آماده‌سازی داده‌های طبقه‌بندی در AWS
• 53. آماده‌سازی داده‌های خوشه‌بندی در AWS
• 54. آماده‌سازی داده‌های سری زمانی در AWS
• 55. تقسیم داده‌ها در SageMaker
• 56. اعتبارسنجی متقابل در SageMaker
• 57. مقدمه‌ای بر چارچوب‌های یادگیری ماشین
• 58. TensorFlow و Keras
• 59. PyTorch
• 60. Scikit-learn
• 61. آماده‌سازی داده‌ها برای TensorFlow
• 62. آماده‌سازی داده‌ها برای PyTorch
• 63. آماده‌سازی داده‌ها برای Scikit-learn
• 64. استفاده از Pandas برای آماده‌سازی داده‌ها
• 65. استفاده از NumPy برای آماده‌سازی داده‌ها
• 66. مدیریت داده‌های حجیم (Big Data)
• 67. مقدمه‌ای بر Apache Spark
• 68. Spark SQL برای آماده‌سازی داده‌ها
• 69. Spark MLlib
• 70. آماده‌سازی داده‌ها با Spark
• 71. ذخیره‌سازی داده‌ها در پایگاه‌های داده رابطه‌ای
• 72. ذخیره‌سازی داده‌ها در پایگاه‌های داده NoSQL
• 73. مدیریت داده‌های متنی
• 74. پردازش زبان طبیعی (NLP) مقدماتی
• 75. آماده‌سازی داده‌های متنی برای NLP
• 76. بردارسازی متن (Text Vectorization)
• 77. مدیریت داده‌های تصویری
• 78. پیش‌پردازش تصاویر
• 79. افزایش داده‌ها (Data Augmentation)
• 80. مدیریت داده‌های صوتی
• 81. پیش‌پردازش داده‌های صوتی
• 82. ایمنی و حریم خصوصی داده‌ها
• 83. اصول حفاظت از داده‌ها
• 84. قوانین مربوط به حریم خصوصی داده‌ها
• 85. استانداردهای اخلاقی در مهندسی داده
• 86. مسئولیت‌پذیری در استفاده از داده‌ها
• 87. شفافیت در فرآیندهای داده
• 88. قابلیت تفسیر مدل‌ها (Model Interpretability)
• 89. مقدمه‌ای بر MLOps
• 90. چرخه حیات مدل یادگیری ماشین
• 91. پایش مدل‌ها در محیط عملیاتی
• 92. استقرار مدل‌ها
• 93. به‌روزرسانی مدل‌ها
• 94. ابزارهای MLOps
• 95. نکات پیشرفته در آماده‌سازی داده‌ها
• 96. مطالعات موردی در اعتبارسنجی و آماده‌سازی داده‌ها
• 97. چالش‌های رایج در آماده‌سازی داده‌ها
• 98. راهکارها و بهترین شیوه‌ها
• 99. آینده مهندسی داده و یادگیری ماشین
• 100. جمع‌بندی و گام‌های بعدی