کتاب مهندسی هوش مصنوعی برای دانشمندان داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی هوش مصنوعی برای دانشمندان داده

موضوع کلی: هوش مصنوعی و علم داده

موضوع میانی: مهندسی داده در یادگیری ماشین

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر مهندسی هوش مصنوعی و علم داده
• 2. نقش مهندسی داده در چرخه حیات یادگیری ماشین
• 3. اهمیت پاکسازی و پیش‌پردازش داده‌ها
• 4. تکنیک‌های شناسایی و مدیریت داده‌های پرت
• 5. استانداردسازی و نرمال‌سازی داده‌ها
• 6. مهندسی ویژگی: ایجاد ویژگی‌های معنی‌دار
• 7. فرهنگ داده: اصول و شیوه‌های عملی
• 8. مدیریت کلان‌داده‌ها: مفاهیم و ابزارها
• 9. پایپ‌لاین‌های داده: طراحی و پیاده‌سازی
• 10. اصول ETL (استخراج، تبدیل، بارگذاری)
• 11. کاربرد ابزارهای ETL در مهندسی داده
• 12. مدیریت داده‌های سری زمانی
• 13. مقدمه‌ای بر ذخیره‌سازی داده‌های ساختاریافته و نیمه‌ساختاریافته
• 14. پایگاه‌های داده رابطه‌ای و NoSQL در یادگیری ماشین
• 15. مفاهیم انبار داده و دریاچه داده
• 16. معماری‌های داده مدرن برای یادگیری ماشین
• 17. امنیت داده و حریم خصوصی در مهندسی داده
• 18. قوانین حفاظت از داده‌ها در ایران
• 19. مقدمه‌ای بر مهندسی ویژگی خودکار (AutoFE)
• 20. اهمیت داده‌های برچسب‌دار در یادگیری ماشین
• 21. روش‌های جمع‌آوری و برچسب‌گذاری داده‌ها
• 22. تکنیک‌های افزایش داده (Data Augmentation)
• 23. مدیریت نسخه‌های داده (Data Versioning)
• 24. استقرار مدل‌های یادگیری ماشین: نقش مهندسی داده
• 25. مانیتورینگ و نگهداری مدل‌ها در تولید
• 26. مفهوم MLOps و جایگاه مهندسی داده
• 27. ابزارهای Orchestration برای پایپ‌لاین‌های ML
• 28. پایپ‌لاین‌های داده برای مدل‌های یادگیری عمیق
• 29. مهندسی داده برای پردازش زبان طبیعی (NLP)
• 30. مهندسی داده برای بینایی ماشین (Computer Vision)
• 31. پردازش داده‌های زنده (Streaming Data)
• 32. معماری‌های داده بلادرنگ
• 33. اصول طراحی پایپ‌لاین‌های داده مقیاس‌پذیر
• 34. ارزیابی کیفیت داده‌ها و شاخص‌های کلیدی عملکرد (KPI)
• 35. مدیریت داده‌های متنی و غیرمتنی
• 36. مدیریت ویژگی‌های داده در طول زمان
• 37. اصول مهندسی ویژگی برای مدل‌های پیش‌بینی‌کننده
• 38. استفاده از ابزارهای داده‌کاوی در مهندسی داده
• 39. مفاهیم داده‌سازی (Data Synthesis)
• 40. اصول ایجاد داده‌های مصنوعی با حفظ حریم خصوصی
• 41. کاربرد مهندسی داده در تشخیص ناهنجاری (Anomaly Detection)
• 42. مهندسی داده برای سیستم‌های توصیه‌گر
• 43. ملاحظات اخلاقی در مهندسی داده و یادگیری ماشین
• 44. مدیریت داده‌ها در پروژه‌های مقیاس بزرگ
• 45. بهینه‌سازی پایپ‌لاین‌های داده برای کاهش هزینه‌ها
• 46. آینده مهندسی داده در هوش مصنوعی