دوره Advanced Azure machine learning همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Advanced Azure machine learning

موضوع کلی: برنامه نویسی

موضوع میانی: Microsoft Azure

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین در Azure
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مجموعه داده‌ها در Azure ML
• 8. آماده‌سازی داده‌ها
• 9. پاکسازی داده‌ها
• 10. مهندسی ویژگی
• 11. انتخاب ویژگی
• 12. تکنیک‌های کاهش ابعاد
• 13. PCA (تحلیل مولفه‌های اصلی)
• 14. t-SNE
• 15. مدل‌های رگرسیون خطی
• 16. مدل‌های رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. درختان تصمیم
• 19. جنگل‌های تصادفی
• 20. مدل‌های تقویت گرادیان
• 21. XGBoost
• 22. LightGBM
• 23. مدل‌های خوشه‌بندی
• 24. K-Means
• 25. DBSCAN
• 26. خوشه‌بندی سلسله مراتبی
• 27. شبکه‌های عصبی مصنوعی
• 28. شبکه‌های عصبی کانولوشنال (CNN)
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 31. مقدمه‌ای بر Azure Machine Learning Studio
• 32. محیط کاری Azure ML
• 33. کار با مسائلی در Azure ML
• 34. مدیریت داده‌ها در Azure ML
• 35. کار با Datastores
• 36. کار با Datasets
• 37. ایجاد آزمایش‌ها در Azure ML
• 38. اجرای اسکریپت‌های پایتون
• 39. استفاده از Designer در Azure ML
• 40. بلوک‌های پیش‌ساخته در Designer
• 41. طراحی پایپ‌لاین‌های یادگیری ماشین
• 42. مدیریت مدل‌ها در Azure ML
• 43. ثبت مدل‌ها
• 44. نسخه‌بندی مدل‌ها
• 45. استقرار مدل‌ها
• 46. استقرار به عنوان وب سرویس
• 47. استقرار به عنوان نقطه پایانی دسته‌ای
• 48. نظارت بر مدل‌های مستقر شده
• 49. تنظیم هایپرپارامترها
• 50. جستجوی شبکه‌ای
• 51. جستجوی تصادفی
• 52. بهینه‌سازی بیزی
• 53. ارزیابی مدل
• 54. معیارهای ارزیابی رگرسیون
• 55. معیارهای ارزیابی طبقه‌بندی
• 56. ماتریس درهم‌ریختگی
• 57. منحنی ROC و AUC
• 58. پیاده‌سازی یادگیری عمیق در Azure ML
• 59. استفاده از TensorFlow
• 60. استفاده از PyTorch
• 61. استفاده از Keras
• 62. یادگیری انتقالی (Transfer Learning)
• 63. تنظیم دقیق مدل‌های پیش‌آموزش دیده
• 64. پایپ‌لاین‌های یادگیری عمیق
• 65. مدیریت منابع محاسباتی در Azure ML
• 66. کار با Compute Clusters
• 67. کار با Compute Instances
• 68. کار با Kubernetes Clusters
• 69. مدیریت هویت و دسترسی (IAM)
• 70. امنیت در Azure ML
• 71. کار با MLOps
• 72. اتوماسیون پایپ‌لاین‌ها
• 73. CI/CD برای مدل‌های یادگیری ماشین
• 74. نظارت و ثبت وقایع
• 75. مدیریت چرخه عمر مدل
• 76. مدل‌های توضیحی (Explainable AI)
• 77. تکنیک‌های XAI
• 78. تفسیرپذیری مدل
• 79. کار با Responsible AI
• 80. ملاحظات اخلاقی در هوش مصنوعی
• 81. شناسایی و کاهش سوگیری
• 82. حریم خصوصی داده‌ها
• 83. امنیت مدل‌ها
• 84. یادگیری فدرال در Azure (اختیاری)
• 85. کار با Azure Databricks
• 86. مقدمه‌ای بر Azure Synapse Analytics
• 87. یکپارچه‌سازی با Azure Data Factory
• 88. پیش‌بینی سری‌های زمانی
• 89. مدل‌های پیش‌بینی سری‌های زمانی
• 90. ارزیابی مدل‌های سری زمانی
• 91. یادگیری تقویتی پیشرفته
• 92. کار با محیط‌های شبیه‌سازی شده
• 93. بهینه‌سازی منابع در Azure ML
• 94. استفاده از Azure Cost Management
• 95. بهینه‌سازی هزینه‌های محاسباتی
• 96. مدیریت فضای ذخیره‌سازی
• 97. بهینه‌سازی مصرف داده
• 98. مقدمه‌ای بر پردازش زبان طبیعی (NLP) در Azure
• 99. کار با Azure Cognitive Services for Language
• 100. تشخیص احساسات