دوره جامع آماده‌سازی داده و مهندسی ویژگی‌ها در سرویس‌های ابری آمازون (AWS) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آماده‌سازی داده و مهندسی ویژگی‌ها در سرویس‌های ابری آمازون (AWS)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مهندسی یادگیری ماشین در فضای ابری (AWS)

📋 سرفصل‌های دوره

• 1. مبانی پردازش داده در پلتفرم‌های ابری
• 2. معماری سرویس‌های ذخیره‌سازی داده در AWS
• 3. آشنایی با سرویس S3 برای مدیریت مجموعه‌داده‌های حجیم
• 4. استانداردهای امنیت و کنترل دسترسی در AWS IAM
• 5. مفاهیم پایه مهندسی ویژگی و پیش‌پردازش داده‌ها
• 6. آشنایی با سرویس AWS Glue برای عملیات ETL
• 7. پیکربندی و اجرای Jobهای AWS Glue
• 8. مدیریت کاتالوگ داده‌ها با AWS Glue Data Catalog
• 9. استفاده از AWS Glue Crawlers برای شناسایی خودکار ساختار داده
• 10. تبدیل و پاکسازی داده‌ها با استفاده از PySpark در Glue
• 11. بهینه‌سازی فرمت‌های ذخیره‌سازی داده مانند Parquet و ORC
• 12. استفاده از Amazon Athena برای پرس‌وجوی داده‌های ساختاریافته
• 13. تحلیل داده‌های حجیم با استفاده از Amazon EMR
• 14. مدیریت خوشه‌های پردازشی در محیط‌های ابری
• 15. تکنیک‌های نرمال‌سازی و استانداردسازی ویژگی‌ها
• 16. مدیریت داده‌های گم‌شده و حذف نویز در مجموعه‌داده‌ها
• 17. مهندسی ویژگی‌های متنی در سرویس‌های آمازون
• 18. کدگذاری متغیرهای دسته‌ای و تبدیل داده‌های طبقه‌بندی‌شده
• 19. استفاده از Amazon SageMaker Data Wrangler برای آماده‌سازی بصری داده‌ها
• 20. ایجاد جریان‌های کاری (Pipelines) برای خودکارسازی آماده‌سازی داده
• 21. تجزیه و تحلیل ویژگی‌ها با SageMaker Clarify
• 22. شناسایی سوگیری و تحلیل توزیع داده‌ها در محیط ابری
• 23. ذخیره‌سازی ویژگی‌ها با استفاده از Amazon SageMaker Feature Store
• 24. مدیریت نسخه‌بندی ویژگی‌ها و قابلیت استفاده مجدد
• 25. اتصال Feature Store به مدل‌های یادگیری ماشین
• 26. بهره‌گیری از AWS Lambda برای پردازش داده‌های در لحظه
• 27. یکپارچه‌سازی Amazon Kinesis برای جریان‌های داده‌ای
• 28. پیش‌پردازش داده‌های جریانی برای مدل‌های یادگیری ماشین
• 29. پایش کیفیت داده‌ها در خط لوله یادگیری ماشین
• 30. استفاده از AWS Glue DataBrew برای آماده‌سازی داده بدون کدنویسی
• 31. تکنیک‌های کاهش ابعاد و انتخاب ویژگی‌های کلیدی
• 32. ذخیره‌سازی داده‌های ساختاریافته در Amazon RDS
• 33. استفاده از Amazon DynamoDB برای داده‌های NoSQL در یادگیری ماشین
• 34. انتقال داده‌ها با استفاده از AWS Data Pipeline
• 35. مدیریت هزینه‌های پردازش داده در محیط ابری
• 36. بهینه‌سازی عملکرد در مقیاس‌های بزرگ داده
• 37. امنیت داده‌ها در حال انتقال و در حالت سکون
• 38. پیاده‌سازی استانداردهای حریم خصوصی در پردازش داده‌ها
• 39. گزارش‌گیری و مانیتورینگ فرآیندهای آماده‌سازی با CloudWatch
• 40. تست و اعتبارسنجی خط لوله مهندسی ویژگی‌ها
• 41. به‌روزرسانی خودکار مجموعه‌داده‌های آموزشی در ابر
• 42. مستندسازی پروژه‌های مهندسی داده مطابق با استانداردهای سازمانی
• 43. پروژه عملی: طراحی یک خط لوله کامل آماده‌سازی داده در AWS