کتاب مبانی یادگیری ماشین و یادگیری عمیق در بستر ابری (AWS) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین و یادگیری عمیق در بستر ابری (AWS)

موضوع کلی: علوم رایانه و فناوری‌های نوین

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره (100 موضوع)

• 1. آشنایی با مفاهیم پایه هوش مصنوعی و یادگیری ماشین
• 2. مروری بر زیرساخت‌های رایانش ابری در آمازون (AWS)
• 3. معرفی سرویس‌های یادگیری ماشین در بستر ابری
• 4. نصب و راه‌اندازی محیط توسعه در AWS SageMaker
• 5. آماده‌سازی و پیش‌پردازش داده‌ها در فضای ابری
• 6. مبانی آمار و احتمالات کاربردی در یادگیری ماشین
• 7. آشنایی با یادگیری نظارت‌شده و الگوریتم‌های رگرسیون
• 8. کاربرد الگوریتم‌های طبقه‌بندی در پروژه‌های هوشمند
• 9. ارزیابی مدل‌های یادگیری ماشین با استفاده از معیارهای استاندارد
• 10. آشنایی با یادگیری بدون نظارت و الگوریتم‌های خوشه‌بندی
• 11. کاهش ابعاد داده و تحلیل مؤلفه‌های اصلی
• 12. معرفی شبکه‌های عصبی مصنوعی و پرسپترون
• 13. توابع فعال‌ساز و نقش آن‌ها در یادگیری عمیق
• 14. الگوریتم پس‌انتشار خطا و بهینه‌سازی وزن‌ها
• 15. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی چندلایه
• 16. آشنایی با فریم‌ورک‌های یادگیری عمیق در AWS
• 17. پیاده‌سازی شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 18. کاربرد شبکه‌های عصبی بازگشتی در تحلیل داده‌های متوالی
• 19. مدیریت و ذخیره‌سازی داده‌های حجیم در S3
• 20. استفاده از سرویس‌های مدیریت پایگاه داده برای داده‌های آموزشی
• 21. بهینه‌سازی مدل‌های یادگیری عمیق در محیط ابری
• 22. تکنیک‌های جلوگیری از بیش‌برازش در آموزش مدل
• 23. تنظیم فراپارامترها برای بهبود عملکرد مدل
• 24. آشنایی با یادگیری تقویتی و کاربردهای آن
• 25. استقرار مدل‌های یادگیری ماشین در سرویس‌های ابری
• 26. نظارت بر عملکرد مدل‌های مستقر در محیط عملیاتی
• 27. امنیت و حریم خصوصی در پروژه‌های هوش مصنوعی ابری
• 28. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
• 29. توسعه کاربردهای هوش مصنوعی در صنایع ملی با رویکرد بومی
• 30. آشنایی با پردازش زبان طبیعی و مدل‌های زبانی
• 31. تکنیک‌های تبدیل متن به بردار و نمایش کلمات
• 32. کاربرد مدل‌های ترنسفورمر در تحلیل متون فارسی
• 33. معرفی سرویس‌های هوش مصنوعی آماده در AWS
• 34. یکپارچه‌سازی هوش مصنوعی با نرم‌افزارهای سازمانی
• 35. مدیریت هزینه‌ها در پروژه‌های یادگیری ماشین ابری
• 36. خودکارسازی خط لوله یادگیری ماشین با MLOps
• 37. مقیاس‌پذیری زیرساخت‌های هوش مصنوعی در AWS
• 38. راهکارهای پردازش موازی و توزیع‌شده در یادگیری ماشین
• 39. بررسی مطالعات موردی موفق در پیاده‌سازی هوش مصنوعی
• 40. ارائه پروژه نهایی و مستندسازی علمی نتایج