دوره جامع یادگیری ماشین: از تحلیل داده تا استقرار عملیاتی مدل‌ها (End-to-End) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین: از تحلیل داده تا استقرار عملیاتی مدل‌ها (End-to-End)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین کاربردی و پیاده‌سازی مدل‌ها

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و تعریف مسئله در پروژه‌های داده‌محور
• 2. آشنایی با چرخه حیات پروژه‌های یادگیری ماشین و استانداردهای صنعتی
• 3. محیط‌های توسعه و ابزارهای برنامه‌نویسی برای علوم داده در پایتون
• 4. مدیریت و پیش‌پردازش داده‌های خام با کتابخانه‌های Pandas و NumPy
• 5. روش‌های تحلیل اکتشافی داده‌ها و مصورسازی آماری
• 6. پاکسازی داده‌ها و مدیریت مقادیر مفقود و داده‌های پرت
• 7. مهندسی ویژگی‌ها و انتخاب متغیرهای کلیدی برای افزایش دقت مدل
• 8. نرمال‌سازی و استانداردسازی داده‌ها برای بهبود عملکرد الگوریتم‌ها
• 9. مبانی یادگیری نظارت شده و تفاوت آن با یادگیری بدون نظارت
• 10. پیاده‌سازی الگوریتم رگرسیون خطی و تحلیل همبستگی متغیرها
• 11. ارزیابی مدل‌های رگرسیون با استفاده از معیارهای خطا
• 12. الگوریتم‌های طبقه‌بندی پایه و منطق رگرسیون لجستیک
• 13. بررسی ماتریس درهم‌ریختگی و معیارهای دقت، فراخوانی و F1-Score
• 14. پیاده‌سازی درخت‌های تصمیم و تحلیل اهمیت ویژگی‌ها
• 15. مبانی روش‌های گروهی و الگوریتم جنگل تصادفی
• 16. آشنایی با الگوریتم‌های تقویت گرادیان و XGBoost
• 17. روش‌های کاهش ابعاد و تحلیل مؤلفه‌های اصلی
• 18. خوشه‌بندی داده‌ها با استفاده از الگوریتم K-means
• 19. مدیریت داده‌های نامتوازن در پروژه‌های طبقه‌بندی
• 20. روش‌های اعتبارسنجی متقاطع برای جلوگیری از بیش‌برازش
• 21. تنظیم هایپرپارامترها با استفاده از Grid Search و Random Search
• 22. مقدمه‌ای بر شبکه‌های عصبی مصنوعی و یادگیری عمیق
• 23. پیاده‌سازی مدل‌های یادگیری عمیق با استفاده از چارچوب‌های استاندارد
• 24. مدیریت خطاهای مدل و تکنیک‌های منظم‌سازی
• 25. آماده‌سازی مدل برای استقرار در محیط‌های عملیاتی
• 26. آشنایی با معماری میکروسرویس‌ها در استقرار مدل‌های هوش مصنوعی
• 27. ساخت رابط برنامه‌نویسی کاربردی برای مدل‌های یادگیری ماشین با FastAPI
• 28. کانتینری‌سازی مدل‌ها با استفاده از داکر
• 29. مدیریت نسخه‌بندی مدل‌ها و داده‌ها با ابزارهای استاندارد
• 30. مبانی پایش مدل در محیط عملیاتی و شناسایی انحراف داده‌ها
• 31. اخلاق در هوش مصنوعی و رعایت حریم خصوصی در پردازش داده‌ها
• 32. بررسی محدودیت‌های حقوقی و چارچوب‌های حاکمیت داده در ایران
• 33. بهینه‌سازی عملکرد مدل برای پردازش در زمان واقعی
• 34. استراتژی‌های به‌روزرسانی مدل و بازآموزی خودکار
• 35. پروژه نهایی: طراحی و استقرار یک سامانه یادگیری ماشین از ابتدا تا انتها