کتاب یادگیری ماشین در Google Cloud برای مبتدیان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در Google Cloud برای مبتدیان

موضوع کلی: مهندسی نرم‌افزار و توسعه سامانه‌های تحت وب و موبایل

موضوع میانی: Google Cloud

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و Google Cloud
• 2. آشنایی با زیرساخت Google Cloud Platform
• 3. ایجاد و مدیریت حساب Google Cloud
• 4. مفاهیم پایه‌ای یادگیری ماشین
• 5. انواع الگوریتم‌های یادگیری ماشین
• 6. آماده‌سازی داده‌ها برای یادگیری ماشین
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. مهندسی ویژگی (Feature Engineering)
• 9. انتخاب ویژگی (Feature Selection)
• 10. آشنایی با TensorFlow و Keras
• 11. ساخت مدل‌های یادگیری ماشین با TensorFlow
• 12. آموزش مدل‌های یادگیری ماشین
• 13. ارزیابی و تنظیم مدل‌های یادگیری ماشین
• 14. استفاده از AutoML در Google Cloud
• 15. استقرار مدل‌های یادگیری ماشین در Google Cloud
• 16. پیش‌بینی با مدل‌های مستقر
• 17. مانیتورینگ و به‌روزرسانی مدل‌ها
• 18. کار با BigQuery برای داده‌های بزرگ
• 19. استفاده از Cloud Storage برای ذخیره‌سازی داده‌ها
• 20. Cloud Dataflow برای پردازش داده‌های جریانی
• 21. Cloud Dataproc برای پردازش داده‌های دسته‌ای
• 22. Cloud ML Engine برای آموزش و استقرار مدل‌ها
• 23. یادگیری ماشین نظارت‌شده (Supervised Learning)
• 24. رگرسیون خطی و لجستیک
• 25. درخت‌های تصمیم‌گیری و جنگل تصادفی
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. یادگیری ماشین بدون نظارت (Unsupervised Learning)
• 28. خوشه‌بندی K-Means
• 29. تحلیل مولفه‌های اصلی (PCA)
• 30. کاهش ابعاد
• 31. تشخیص ناهنجاری (Anomaly Detection)
• 32. شبکه‌های عصبی و یادگیری عمیق
• 33. شبکه‌های عصبی کانولوشنال (CNN)
• 34. شبکه‌های عصبی بازگشتی (RNN)
• 35. پردازش زبان طبیعی (NLP) با TensorFlow
• 36. مدل‌سازی زبان
• 37. تحلیل احساسات
• 38. تشخیص موجودیت نام‌دار
• 39. بینایی کامپیوتر (Computer Vision)
• 40. تشخیص اشیاء
• 41. طبقه‌بندی تصاویر
• 42. قطعه‌بندی تصاویر
• 43. بهینه‌سازی مدل‌های یادگیری ماشین
• 44. تنظیم هایپرپارامترها
• 45. جلوگیری از بیش‌برازش (Overfitting)