کتاب استقرار مدل‌های یادگیری ماشین با Flask و FastAPI با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار مدل‌های یادگیری ماشین با Flask و FastAPI

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های دوره

• 1. مقدمات و مفاهیم پایه یادگیری ماشین
• 2. آشنایی با چارچوب‌های وب در پایتون
• 3. نصب و راه‌اندازی محیط توسعه
• 4. اصول اولیه Flask
• 5. ساخت اولین برنامه وب با Flask
• 6. مسیریابی (Routing) در Flask
• 7. قالب‌ها (Templates) و نمایش داده‌ها در Flask
• 8. کار با فرم‌ها در Flask
• 9. مدیریت پایگاه داده در Flask
• 10. اصول اولیه FastAPI
• 11. ساخت اولین برنامه وب با FastAPI
• 12. آشنایی با Async/Await در FastAPI
• 13. اعتبارسنجی داده‌ها با Pydantic در FastAPI
• 14. انتقال پارامترها در FastAPI
• 15. دریافت داده از بدنه درخواست در FastAPI
• 16. آپلود فایل در FastAPI
• 17. امنیت در برنامه‌های وب (مقدماتی)
• 18. مبانی استقرار (Deployment)
• 19. مقدمات Docker برای استقرار
• 20. ساخت Image Docker برای برنامه‌های پایتون
• 21. استقرار برنامه‌های Flask با Docker
• 22. استقرار برنامه‌های FastAPI با Docker
• 23. مفاهیم پایه API
• 24. طراحی RESTful API
• 25. پیاده‌سازی RESTful API با Flask
• 26. پیاده‌سازی RESTful API با FastAPI
• 27. اصول اولیه یادگیری ماشین
• 28. انواع مسائل یادگیری ماشین (دسته‌بندی، رگرسیون)
• 29. پیش‌پردازش داده‌ها (Data Preprocessing)
• 30. پاکسازی داده‌ها
• 31. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 32. کدگذاری متغیرهای دسته‌ای (Categorical Encoding)
• 33. انتخاب ویژگی (Feature Selection)
• 34. مدل‌های یادگیری ماشین کلاسیک: رگرسیون خطی
• 35. مدل‌های یادگیری ماشین کلاسیک: رگرسیون لجستیک
• 36. مدل‌های یادگیری ماشین کلاسیک: ماشین بردار پشتیبان (SVM)
• 37. مدل‌های یادگیری ماشین کلاسیک: درختان تصمیم
• 38. مدل‌های یادگیری ماشین کلاسیک: جنگل‌های تصادفی (Random Forest)
• 39. مدل‌های یادگیری ماشین کلاسیک: K-نزدیک‌ترین همسایه (KNN)
• 40. ارزیابی مدل‌های یادگیری ماشین
• 41. معیارهای ارزیابی برای رگرسیون
• 42. معیارهای ارزیابی برای دسته‌بندی
• 43. مقدمات یادگیری عمیق (Deep Learning)
• 44. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 45. آموزش شبکه‌های عصبی
• 46. پس‌انتشار خطا (Backpropagation)
• 47. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 48. کاهش بیش‌برازش (Overfitting)
• 49. تنظیم‌کننده‌ها (Regularization)
• 50. یادگیری انتقالی (Transfer Learning)
• 51. شبکه‌های عصبی کانولوشنی (CNN)
• 52. کاربرد CNN در پردازش تصویر
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. کاربرد RNN در پردازش زبان طبیعی
• 55. استقرار مدل‌های یادگیری ماشین در محیط واقعی
• 56. مراحل استقرار مدل
• 57. مانیتورینگ عملکرد مدل پس از استقرار
• 58. به‌روزرسانی مدل‌ها
• 59. استقرار مدل‌های یادگیری ماشین با استفاده از Flask
• 60. ساخت API برای پیش‌بینی با Flask
• 61. استقرار مدل‌های یادگیری ماشین با استفاده از FastAPI
• 62. ساخت API برای پیش‌بینی با FastAPI
• 63. انتخاب چارچوب وب مناسب برای استقرار
• 64. مقایسه Flask و FastAPI برای استقرار مدل
• 65. کاربرد مدل‌های یادگیری ماشین در کسب‌وکار
• 66. مثال‌های عملی استقرار مدل در صنایع مختلف
• 67. مدل‌های توصیه‌گر (Recommendation Systems)
• 68. پیاده‌سازی مدل‌های توصیه‌گر با Flask
• 69. پیاده‌سازی مدل‌های توصیه‌گر با FastAPI
• 70. پردازش زبان طبیعی (NLP) مقدماتی
• 71. کاربرد NLP در تحلیل متنی
• 72. مدل‌های زبانی (Language Models)
• 73. استقرار مدل‌های NLP با Flask
• 74. استقرار مدل‌های NLP با FastAPI
• 75. امنیت در APIهای یادگیری ماشین
• 76. اعتبارسنجی ورودی‌ها و خروجی‌ها
• 77. مدیریت دسترسی و احراز هویت
• 78. ملاحظات اخلاقی در هوش مصنوعی
• 79. مسئولیت‌پذیری در توسعه و استقرار مدل‌ها
• 80. روش‌های بهبود عملکرد مدل در تولید
• 81. مدیریت چرخه عمر مدل (MLOps)
• 82. اصول اولیه MLOps
• 83. ابزارها و تکنیک‌های MLOps
• 84. استقرار مدل‌های یادگیری ماشین روی سرویس‌های ابری (مقدماتی)
• 85. مفاهیم پایگاه داده NoSQL برای داده‌های بزرگ
• 86. روش‌های بهینه‌سازی عملکرد APIهای یادگیری ماشین
• 87. کاهش تأخیر (Latency) در پاسخ‌دهی
• 88. افزایش توان عملیاتی (Throughput)
• 89. مدیریت خطا و بازیابی در سیستم‌های توزیع‌شده
• 90. ملاحظات مربوط به مقیاس‌پذیری (Scalability)
• 91. اصول اولیه مهندسی داده برای یادگیری ماشین
• 92. جمع‌آوری و ذخیره‌سازی داده‌ها
• 93. پردازش و تبدیل داده‌ها
• 94. ساخت داشبوردهای مدیریتی برای نظارت بر مدل‌ها
• 95. مقدمات امنیت سایبری در برنامه‌های وب
• 96. حفاظت از APIها در برابر حملات رایج
• 97. اصول حاکمیت داده (Data Governance)
• 98. مقررات مربوط به حفاظت از داده‌ها در ایران (اشاره کلی)
• 99. چالش‌های استقرار مدل‌های یادگیری ماشین در ایران
• 100. فرصت‌های توسعه فناوری هوش مصنوعی در ایران