کتاب یادگیری ماشین با تنسورفلو در Google Cloud (مخصوص کاربران فارسی‌زبان) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با تنسورفلو در Google Cloud (مخصوص کاربران فارسی‌زبان)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با فریم‌ورک‌های پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. پاکسازی و نرمال‌سازی داده‌ها
• 6. مهندسی ویژگی در یادگیری ماشین
• 7. معرفی تنسورفلو (TensorFlow)
• 8. نصب و راه‌اندازی تنسورفلو
• 9. مبانی تنسور (Tensors) در تنسورفلو
• 10. عملیات پایه تنسور
• 11. گراف‌های محاسباتی در تنسورفلو
• 12. تابع `tf.function` و بهینه‌سازی
• 13. مقدمه بر شبکه‌های عصبی
• 14. نورون مصنوعی و تابع فعال‌سازی
• 15. ساختار شبکه‌های عصبی عمیق (DNN)
• 16. آموزش شبکه‌های عصبی: انتشار رو به عقب (Backpropagation)
• 17. تابع هزینه (Loss Function)
• 18. بهینه‌سازها (Optimizers): گرادیان کاهشی
• 19. نرخ یادگیری (Learning Rate)
• 20. تنظیم هایپرپارامترها
• 21. اعتبارسنجی مدل (Validation)
• 22. تنظیم‌گری (Regularization) برای جلوگیری از بیش‌برازش (Overfitting)
• 23. معرفی گوگل کلود (Google Cloud Platform)
• 24. مقدمه بر خدمات یادگیری ماشین گوگل کلود
• 25. Google Cloud Storage برای ذخیره‌سازی داده‌ها
• 26. Google Compute Engine برای محاسبات
• 27. Google Kubernetes Engine برای مقیاس‌پذیری
• 28. TensorFlow Enterprise در گوگل کلود
• 29. TensorFlow Extended (TFX) برای خطوط لوله یادگیری ماشین
• 30. مراحل یک خط لوله TFX
• 31. تحلیل و ارزیابی داده‌ها در TFX
• 32. انتخاب ویژگی در TFX
• 33. آموزش مدل در TFX
• 34. اعتبارسنجی مدل در TFX
• 35. استقرار مدل در TFX
• 36. مقدمه بر شبکه‌های عصبی کانولوشنی (CNN)
• 37. معماری CNN برای پردازش تصویر
• 38. لایه‌های کانولوشن و پولینگ
• 39. کاربرد CNN در تشخیص تصویر
• 40. مقدمه بر شبکه‌های عصبی بازگشتی (RNN)
• 41. ساختار RNN برای داده‌های ترتیبی
• 42. مشکل گرادیان محوشونده و راه‌حل‌ها
• 43. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 44. واحد بازگشتی دروازه‌دار (GRU)
• 45. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 46. مقدمه بر پردازش زبان طبیعی
• 47. توکنایز کردن (Tokenization) و بردارسازی متن
• 48. مدل‌های زبانی
• 49. تعبیه‌سازی کلمات (Word Embeddings)
• 50. شبکه‌های ترنسفورمر (Transformers)
• 51. مکانیزم توجه (Attention Mechanism)
• 52. کاربرد ترنسفورمرها در NLP
• 53. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 54. یادگیری تقویتی (Reinforcement Learning)
• 55. عوامل و محیط در یادگیری تقویتی
• 56. یادگیری Q (Q-Learning)
• 57. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 58. کاربرد یادگیری تقویتی
• 59. معرفی مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 60. انتقال یادگیری (Transfer Learning)
• 61. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 62. کاربرد انتقال یادگیری در پردازش تصویر
• 63. کاربرد انتقال یادگیری در NLP
• 64. مقدمه بر استقرار مدل (Model Deployment)
• 65. استقرار مدل در گوگل کلود
• 66. استقرار مدل با استفاده از TensorFlow Serving
• 67. استقرار مدل با استفاده از AI Platform Prediction
• 68. استقرار مدل بر روی دستگاه‌های لبه (Edge Devices)
• 69. مانیتورینگ و مدیریت مدل‌های مستقر شده
• 70. مفاهیم حاکمیت داده و اخلاق در هوش مصنوعی
• 71. امنیت و حریم خصوصی در یادگیری ماشین
• 72. تفسیرپذیری مدل‌های یادگیری ماشین (Explainable AI)
• 73. چالش‌های اخلاقی در هوش مصنوعی
• 74. چارچوب‌های اخلاقی برای توسعه هوش مصنوعی
• 75. مقدمه بر شبکه‌های مولد تخاصمی (GANs)
• 76. معماری GAN
• 77. کاربرد GAN در تولید تصویر
• 78. مقدمه بر یادگیری فدرال (Federated Learning)
• 79. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 80. مقدمه بر یادگیری خودنظارت شده (Self-Supervised Learning)
• 81. کاربردهای یادگیری خودنظارت شده
• 82. مباحث پیشرفته در معماری‌های عصبی
• 83. شبکه‌های گراف عصبی (Graph Neural Networks - GNNs)
• 84. کاربرد GNNs در تحلیل شبکه‌ها
• 85. معرفی الگوریتم‌های خوشه‌بندی
• 86. کاهش ابعاد (Dimensionality Reduction)
• 87. تحلیل مؤلفه‌های اصلی (PCA)
• 88. تکنیک‌های یادگیری عمیق برای داده‌های جدولی
• 89. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 90. تست و اعتبارسنجی مدل‌ها در دنیای واقعی
• 91. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 92. نوآوری‌های اخیر در یادگیری ماشین
• 93. آینده هوش مصنوعی و یادگیری ماشین
• 94. نکات و بهترین شیوه‌ها در توسعه یادگیری ماشین