کتاب طراحی و پیاده‌سازی زیرساخت داده برای کاربردهای هوش مصنوعی و یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی زیرساخت داده برای کاربردهای هوش مصنوعی و یادگیری ماشین

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: زیرساخت‌های داده برای یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زیرساخت داده برای هوش مصنوعی
• 2. مفاهیم کلیدی در هوش مصنوعی و یادگیری ماشین
• 3. چرخه حیات داده در پروژه‌های هوش مصنوعی
• 4. اصول طراحی زیرساخت داده
• 5. اهمیت داده‌های با کیفیت در یادگیری ماشین
• 6. انواع داده و منابع داده
• 7. جمع‌آوری داده از منابع مختلف
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. مهندسی ویژگی برای مدل‌های یادگیری ماشین
• 10. ذخیره‌سازی داده‌ها: پایگاه‌های داده رابطه‌ای
• 11. ذخیره‌سازی داده‌ها: NoSQL و پایگاه‌های داده NoSQL
• 12. ذخیره‌سازی داده‌های ساختاریافته و نیمه‌ساختاریافته
• 13. ذخیره‌سازی داده‌های بدون ساختار
• 14. سیستم‌های فایل توزیع‌شده (DFS)
• 15. پلتفرم‌های ذخیره‌سازی ابری
• 16. مدیریت دسترسی به داده‌ها
• 17. حریم خصوصی داده‌ها و انطباق با مقررات
• 18. استخراج داده‌ها و ETL
• 19. پایپ‌لاین‌های داده (Data Pipelines)
• 20. ابزارهای اتوماسیون پایپ‌لاین داده
• 21. نظارت بر پایپ‌لاین‌های داده
• 22. مدیریت فراداده (Metadata Management)
• 23. کاتالوگ داده (Data Catalog)
• 24. کیفیت داده‌ها و تضمین کیفیت
• 25. پایش کیفیت داده‌ها
• 26. مدیریت چرخه عمر داده‌ها
• 27. توسعه و استقرار مدل‌های یادگیری ماشین
• 28. ادغام مدل‌ها در محیط عملیاتی
• 29. نظارت بر عملکرد مدل‌ها
• 30. بازآموزی و به‌روزرسانی مدل‌ها
• 31. زیرساخت برای یادگیری عمیق
• 32. پردازش موازی و توزیع‌شده
• 33. سخت‌افزارهای تخصصی (GPU, TPU)
• 34. پلتفرم‌های یادگیری ماشین ابری
• 35. مدیریت آزمایش‌ها (Experiment Management)
• 36. ردیابی و مدیریت مصنوعات مدل
• 37. تست و ارزیابی مدل‌ها
• 38. استقرار مدل به صورت سرویس (API)
• 39. استقرار مدل در دستگاه‌های لبه (Edge Devices)
• 40. امنیت مدل‌های یادگیری ماشین
• 41. اخلاق در هوش مصنوعی و داده‌ها
• 42. شفافیت در مدل‌های یادگیری ماشین
• 43. قابلیت تفسیر مدل‌ها (Explainable AI)
• 44. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 45. مقررات و استانداردها در حوزه داده و هوش مصنوعی
• 46. معماری داده‌های مدرن
• 47. انباره داده (Data Warehouse)
• 48. دریاچه داده (Data Lake)
• 49. دریاچه خانه داده (Data Lakehouse)
• 50. میکروسرویس‌ها و معماری مبتنی بر رویداد
• 51. پردازش جریان داده (Stream Processing)
• 52. پلتفرم‌های پردازش جریان داده
• 53. موتورهای پردازش داده توزیع‌شده
• 54. Apache Spark
• 55. Apache Flink
• 56. Apache Kafka
• 57. سیستم‌های صف پیام
• 58. قوانین داده (Data Governance)
• 59. نقش مدیر داده (Data Steward)
• 60. حاکمیت داده در سازمان
• 61. مدیریت داده‌های مشتری (CDM)
• 62. یکپارچه‌سازی داده‌ها
• 63. استراتژی‌های یکپارچه‌سازی داده
• 64. ابزارهای یکپارچه‌سازی داده
• 65. استانداردسازی داده‌ها
• 66. مدیریت داده‌های استاد (Master Data Management)
• 67. داده‌های باز و اشتراک‌گذاری داده
• 68. امنیت در داده‌های باز
• 69. مدیریت نسخه داده‌ها
• 70. تست داده‌ها (Data Testing)
• 71. شبیه‌سازی داده‌ها
• 72. مدیریت داده‌های حساس
• 73. رمزنگاری داده‌ها
• 74. مستندسازی زیرساخت داده
• 75. بهینه‌سازی عملکرد زیرساخت داده
• 76. مقیاس‌پذیری زیرساخت داده
• 77. هزینه‌های زیرساخت داده
• 78. برنامه‌ریزی ظرفیت
• 79. بررسی و ارزیابی راه‌حل‌های زیرساخت
• 80. ارزیابی تامین‌کنندگان زیرساخت
• 81. میکروسرویس‌های داده
• 82. بسترهای داده (Data Platforms)
• 83. معماری داده‌محور
• 84. استراتژی داده سازمانی
• 85. نقش تیم‌های مهندسی داده
• 86. مهارت‌های لازم برای مهندسان داده
• 87. آینده زیرساخت داده برای هوش مصنوعی
• 88. روندهای نوظهور در داده و هوش مصنوعی
• 89. تکنیک‌های پیشرفته پاکسازی داده
• 90. روش‌های پیشرفته مهندسی ویژگی
• 91. مدیریت داده‌های مکانی-زمانی
• 92. مدیریت داده‌های گراف
• 93. کاربرد داده‌ها در تشخیص تقلب
• 94. کاربرد داده‌ها در بهینه‌سازی زنجیره تامین
• 95. کاربرد داده‌ها در تحلیل رفتار مشتری
• 96. تکنیک‌های یادگیری تقویتی و زیرساخت آن
• 97. یادگیری فدرال و ملاحظات زیرساختی
• 98. هوش مصنوعی مسئولانه و زیرساخت آن
• 99. ملاحظات امنیتی پیشرفته در هوش مصنوعی
• 100. مدیریت چرخه حیات مدل‌های یادگیری ماشین