کتاب Google Cloud Platform: استفاده از Vertex AI Model Registry برای مدیریت مدل ها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: استفاده از Vertex AI Model Registry برای مدیریت مدل ها

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم کلیدی در یادگیری ماشین: ویژگی‌ها، برچسب‌ها، مدل‌ها
• 5. انواع مدل‌های یادگیری ماشین
• 6. معرفی Google Cloud Platform (GCP)
• 7. مبانی کار با GCP
• 8. آشنایی با سرویس‌های GCP برای یادگیری ماشین
• 9. مقدمه‌ای بر Vertex AI
• 10. مفهوم Model Registry در Vertex AI
• 11. اهداف و مزایای استفاده از Model Registry
• 12. نصب و پیکربندی ابزارهای GCP
• 13. احراز هویت و مدیریت دسترسی در GCP
• 14. مقدمه‌ای بر ابزارهای خط فرمان GCP (gcloud)
• 15. مقدمه‌ای بر Python برای یادگیری ماشین
• 16. کتابخانه‌های کلیدی پایتون: NumPy, Pandas, Scikit-learn
• 17. نصب و استفاده از کتابخانه‌های یادگیری ماشین
• 18. مراحل پایپ‌لاین یادگیری ماشین
• 19. جمع‌آوری و آماده‌سازی داده‌ها
• 20. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 21. مهندسی ویژگی (Feature Engineering)
• 22. انتخاب ویژگی (Feature Selection)
• 23. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 24. مقدمه‌ای بر مدل‌های یادگیری نظارت شده
• 25. رگرسیون خطی
• 26. رگرسیون لجستیک
• 27. درختان تصمیم
• 28. جنگل‌های تصادفی (Random Forests)
• 29. ماشین‌های بردار پشتیبان (SVM)
• 30. مدل‌های طبقه‌بندی (Classification Models)
• 31. معیارهای ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی، F1-Score
• 32. مقدمه‌ای بر مدل‌های یادگیری بدون نظارت
• 33. خوشه‌بندی (Clustering)
• 34. الگوریتم K-Means
• 35. تحلیل مولفه‌های اصلی (PCA)
• 36. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 37. شبکه‌های عصبی مصنوعی (ANN)
• 38. شبکه‌های عصبی کانولوشنال (CNN)
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 41. کار با متون: توکنیزاسیون، حذف کلمات توقف
• 42. تبدیل متن به بردار: TF-IDF, Word Embeddings
• 43. مدل‌های زبانی
• 44. مقدمه‌ای بر مدل‌های بزرگ زبانی (LLMs)
• 45. مبانی کار با LLMs
• 46. تنظیم دقیق (Fine-tuning) LLMs
• 47. کار با LLMs در GCP
• 48. معرفی Vertex AI Model Registry
• 49. ایجاد یک رجیستری مدل
• 50. ثبت یک مدل در رجیستری
• 51. مدیریت نسخه‌های مدل
• 52. تگ‌گذاری مدل‌ها
• 53. شرح مدل‌ها و متادیتای آن‌ها
• 54. استقرار مدل‌ها از رجیستری
• 55. نظارت بر عملکرد مدل‌های مستقر شده
• 56. آموزش مدل‌های سفارشی با استفاده از Vertex AI
• 57. استفاده از داده‌های طبقه‌بندی شده برای آموزش
• 58. استفاده از داده‌های رگرسیون برای آموزش
• 59. استفاده از داده‌های پردازش زبان طبیعی
• 60. استفاده از داده‌های بینایی ماشین
• 61. استفاده از داده‌های سری زمانی
• 62. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 63. استفاده از ابزارهای AutoML در Vertex AI
• 64. ایجاد و آموزش مدل‌های AutoML
• 65. مدیریت و استقرار مدل‌های AutoML
• 66. مقدمه‌ای بر MLOps
• 67. اهمیت MLOps در چرخه عمر یادگیری ماشین
• 68. اصول MLOps
• 69. اتوماسیون پایپ‌لاین‌های ML
• 70. مدیریت داده‌ها در MLOps
• 71. مدیریت مدل‌ها در MLOps
• 72. استقرار و نظارت بر مدل‌ها در MLOps
• 73. امنیت در MLOps
• 74. چارچوب‌های MLOps در GCP
• 75. استفاده از Vertex AI Pipelines
• 76. طراحی و اجرای پایپ‌لاین‌های ML
• 77. مانیتورینگ و لاگ‌برداری در پایپ‌لاین‌ها
• 78. همکاری در تیم‌های ML با استفاده از Vertex AI
• 79. مدیریت پروژه‌ها در Vertex AI
• 80. استفاده از Notebooks در Vertex AI
• 81. اشکال‌زدایی و تست مدل‌ها
• 82. بهینه‌سازی عملکرد مدل‌ها
• 83. کاهش سوگیری (Bias) در مدل‌ها
• 84. تفسیرپذیری مدل‌ها (Model Interpretability)
• 85. اخلاق در هوش مصنوعی
• 86. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 87. کاربرد Vertex AI Model Registry در پروژه‌های واقعی
• 88. مطالعات موردی (Case Studies)
• 89. جمع‌بندی و مراحل بعدی