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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین در بستر رایانش ابری آمازون (AWS)

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و تحلیل داده‌های کلان

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی رایانش ابری و نقش آن در هوش مصنوعی
• 2. آشنایی با پلتفرم آمازون وب سرویسز در حوزه داده
• 3. مفاهیم پایه یادگیری ماشین و کاربردهای آن
• 4. چرخه حیات پروژه‌های هوش مصنوعی در محیط ابری
• 5. آشنایی با سرویس آمازون سِیج‌میکر
• 6. آماده‌سازی محیط کاری در کنسول مدیریت AWS
• 7. مدیریت داده‌ها و ذخیره‌سازی در آمازون اس‌تری
• 8. مفاهیم تحلیل داده‌های کلان و پیش‌پردازش اطلاعات
• 9. پاک‌سازی و نرمال‌سازی داده‌ها برای مدل‌سازی
• 10. انتخاب ویژگی‌های کلیدی در مجموعه‌داده‌ها
• 11. مبانی یادگیری نظارت‌شده و الگوریتم‌های رگرسیون
• 12. یادگیری نظارت‌شده و الگوریتم‌های طبقه‌بندی
• 13. مفاهیم یادگیری بدون نظارت و خوشه‌بندی
• 14. ارزیابی عملکرد مدل‌ها و معیارهای دقت
• 15. مفاهیم بیش‌برازش و کم‌برازش در مدل‌های هوش مصنوعی
• 16. آموزش مدل‌های یادگیری ماشین در سرویس سِیج‌میکر
• 17. تنظیم ابرپارامترها برای بهبود کارایی مدل
• 18. استقرار مدل‌های آموزش‌دیده در محیط عملیاتی
• 19. مدیریت نقاط پایانی برای استنتاج بلادرنگ
• 20. آشنایی با سرویس‌های هوش مصنوعی پیش‌ساخته AWS
• 21. استفاده از سرویس آمازون رکوگنیشن برای تحلیل تصویر
• 22. به‌کارگیری سرویس آمازون کامپرهند برای تحلیل متن
• 23. مفاهیم اولیه یادگیری عمیق و شبکه‌های عصبی
• 24. آشنایی با چارچوب‌های یادگیری ماشین در AWS
• 25. امنیت داده‌ها و حریم خصوصی در پروژه‌های ابری
• 26. مدیریت دسترسی‌ها و نقش‌های کاربری با آی‌اِی‌ام
• 27. نظارت بر عملکرد مدل‌ها با سرویس کلاود‌واچ
• 28. بهینه‌سازی هزینه‌های رایانش در پروژه‌های یادگیری ماشین
• 29. پیاده‌سازی پایپ‌لاین‌های خودکار یادگیری ماشین
• 30. استفاده از نوت‌بوک‌های ژوپیتر در محیط ابری
• 31. تحلیل داده‌های حجیم با سرویس آمازون آتنا
• 32. مفاهیم یادگیری تقویتی در بسترهای ابری
• 33. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در الگوریتم‌ها
• 34. رعایت استانداردهای بومی در تحلیل داده‌های کلان
• 35. بررسی مطالعات موردی در کاربردهای صنعتی یادگیری ماشین
• 36. یکپارچه‌سازی مدل‌های هوش مصنوعی با برنامه‌های کاربردی
• 37. نگهداری و به‌روزرسانی مدل‌های مستقر شده
• 38. مقیاس‌پذیری در پردازش داده‌های کلان
• 39. استفاده از راهکارهای ذخیره‌سازی توزیع‌شده
• 40. حل مسائل دنیای واقعی با ابزارهای یادگیری ماشین آمازون