کتاب پیاده‌سازی پروژه‌های یادگیری ماشین عملی با XGBoost و شتاب‌دهنده‌های سخت‌افزاری با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی پروژه‌های یادگیری ماشین عملی با XGBoost و شتاب‌دهنده‌های سخت‌افزاری

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین پیشرفته و کاربردها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. پیش‌پردازش داده‌ها
• 8. پاکسازی داده‌ها
• 9. مهندسی ویژگی
• 10. انتخاب ویژگی
• 11. مدل‌های یادگیری ماشین پایه
• 12. رگرسیون خطی
• 13. رگرسیون لجستیک
• 14. ماشین‌های بردار پشتیبان (SVM)
• 15. درختان تصمیم
• 16. جنگل‌های تصادفی
• 17. تقویت گرادیان
• 18. معرفی XGBoost
• 19. مبانی XGBoost
• 20. کاربرد XGBoost
• 21. پارامترهای XGBoost
• 22. تنظیم ابرپارامترها در XGBoost
• 23. ارزیابی مدل‌های یادگیری ماشین
• 24. معیارهای ارزیابی رگرسیون
• 25. معیارهای ارزیابی طبقه‌بندی
• 26. اعتبارسنجی متقابل
• 27. مدیریت داده‌های نامتوازن
• 28. روش‌های نمونه‌برداری
• 29. تکنیک‌های تولید داده مصنوعی (SMOTE)
• 30. کاربردهای یادگیری ماشین در صنعت
• 31. یادگیری ماشین در امور مالی
• 32. یادگیری ماشین در پزشکی
• 33. یادگیری ماشین در بازاریابی
• 34. یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 35. مبانی پردازش زبان طبیعی
• 36. مدل‌های زبانی
• 37. تحلیل احساسات
• 38. طبقه‌بندی متن
• 39. یادگیری ماشین در بینایی ماشین
• 40. مبانی بینایی ماشین
• 41. تشخیص اشیاء
• 42. تقسیم‌بندی تصویر
• 43. شناسایی چهره
• 44. معرفی شتاب‌دهنده‌های سخت‌افزاری
• 45. مبانی GPU
• 46. معماری GPU
• 47. کاربرد GPU در یادگیری ماشین
• 48. مقدمه‌ای بر CUDA
• 49. برنامه‌نویسی CUDA
• 50. بهینه‌سازی کد CUDA
• 51. استفاده از کتابخانه‌های GPU تسریع شده
• 52. رابط‌های پایتون برای GPU
• 53. RAPIDS
• 54. Dask-CUDA
• 55. آموزش مدل‌های عمیق روی GPU
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. شبکه‌های عصبی بازگشتی (RNN)
• 58. معماری‌های پیشرفته یادگیری عمیق
• 59. ترانسفورمرها
• 60. یادگیری انتقالی
• 61. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 62. پیاده‌سازی پروژه‌های یادگیری ماشین عملی
• 63. تعریف مسئله و جمع‌آوری داده
• 64. آماده‌سازی و پیش‌پردازش داده‌ها
• 65. انتخاب و آموزش مدل
• 66. ارزیابی و تنظیم مدل
• 67. مستندسازی پروژه
• 68. مدیریت نسخه کد
• 69. استقرار مدل‌های یادگیری ماشین
• 70. مقدمه‌ای بر استقرار مدل
• 71. روش‌های استقرار مدل
• 72. APIهای یادگیری ماشین
• 73. پلتفرم‌های ابری برای یادگیری ماشین
• 74. AWS SageMaker
• 75. Google AI Platform
• 76. Azure Machine Learning
• 77. ملاحظات اخلاقی در هوش مصنوعی
• 78. سوگیری در داده‌ها و مدل‌ها
• 79. شفافیت و توضیح‌پذیری مدل‌ها
• 80. حریم خصوصی داده‌ها
• 81. مسئولیت‌پذیری در هوش مصنوعی
• 82. آینده هوش مصنوعی و یادگیری ماشین
• 83. روندهای نوظهور در یادگیری ماشین
• 84. هوش مصنوعی مولد
• 85. یادگیری تقویتی عمیق
• 86. یادگیری فدرال
• 87. یادگیری ماشین قابل اعتماد
• 88. کاربرد هوش مصنوعی در حل مسائل اجتماعی
• 89. نوآوری در هوش مصنوعی برای توسعه پایدار
• 90. هوش مصنوعی و اقتصاد دیجیتال
• 91. کارآفرینی با هوش مصنوعی
• 92. چالش‌های پیاده‌سازی هوش مصنوعی در سازمان‌ها
• 93. مدیریت تغییر و پذیرش هوش مصنوعی
• 94. آموزش نیروی انسانی برای عصر هوش مصنوعی
• 95. تفکر طراحی در پروژه‌های هوش مصنوعی
• 96. خلاقیت و نوآوری با هوش مصنوعی
• 97. اخلاق حرفه‌ای در پروژه‌های هوش مصنوعی
• 98. همکاری انسان و ماشین
• 99. آینده شغلی در حوزه هوش مصنوعی
• 100. یادگیری مستمر و به‌روزرسانی دانش