فلش‌کارت‌های آموزشی آموزش مدل‌های یادگیری ماشین با سرویس‌های AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل‌های یادگیری ماشین با سرویس‌های AWS

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی مدل‌های یادگیری ماشین در ابر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. مراحل چرخه حیات پروژه یادگیری ماشین
• 5. مقدمه‌ای بر سرویس‌های AWS برای یادگیری ماشین
• 6. آشنایی با Amazon SageMaker
• 7. ایجاد محیط توسعه در SageMaker
• 8. آماده‌سازی داده‌ها برای آموزش مدل
• 9. پاک‌سازی و پیش‌پردازش داده‌ها
• 10. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
• 11. مهندسی ویژگی برای بهبود عملکرد مدل
• 12. انتخاب و استخراج ویژگی‌های مرتبط
• 13. تبدیل ویژگی‌ها و ایجاد ویژگی‌های جدید
• 14. مقدمه‌ای بر آموزش مدل‌های یادگیری ماشین
• 15. انتخاب الگوریتم مناسب برای مسئله
• 16. آموزش مدل‌های رگرسیون خطی
• 17. آموزش مدل‌های رگرسیون لجستیک
• 18. آموزش مدل‌های درخت تصمیم
• 19. آموزش مدل‌های جنگل تصادفی
• 20. آموزش مدل‌های ماشین بردار پشتیبان (SVM)
• 21. آموزش مدل‌های خوشه‌بندی (K-Means)
• 22. آموزش مدل‌های کاهش ابعاد (PCA)
• 23. آموزش مدل‌های شبکه‌های عصبی پایه
• 24. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 25. آشنایی با چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 26. آموزش مدل‌های شبکه‌های عصبی کانولوشنال (CNN)
• 27. آموزش مدل‌های شبکه‌های عصبی بازگشتی (RNN)
• 28. آموزش مدل‌های شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 29. آموزش مدل‌های ترنسفورمر
• 30. مفهوم هایپرپارامترها و تنظیم آن‌ها
• 31. تنظیم هایپرپارامترها با جستجوی شبکه‌ای (Grid Search)
• 32. تنظیم هایپرپارامترها با جستجوی تصادفی (Random Search)
• 33. تنظیم هایپرپارامترها با بهینه‌سازی بیزی (Bayesian Optimization)
• 34. مقدمه‌ای بر ارزیابی مدل‌های یادگیری ماشین
• 35. معیارهای ارزیابی مدل‌های رگرسیون
• 36. میانگین مربعات خطا (MSE)
• 37. ریشه میانگین مربعات خطا (RMSE)
• 38. میانگین قدر مطلق خطا (MAE)
• 39. ضریب تعیین (R-squared)
• 40. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 41. دقت (Accuracy)
• 42. صحت (Precision)
• 43. بازیابی (Recall)
• 44. امتیاز F1
• 45. ماتریس درهم‌ریختگی (Confusion Matrix)
• 46. منحنی ROC و سطح زیر منحنی (AUC)
• 47. جلوگیری از بیش‌برازش (Overfitting)
• 48. تکنیک‌های تنظیم‌گری (Regularization)
• 49. کاهش داده‌ها (Dropout)
• 50. توقف زودهنگام (Early Stopping)
• 51. جلوگیری از کم‌برازش (Underfitting)
• 52. تکنیک‌های افزایش پیچیدگی مدل
• 53. افزایش داده‌ها (Data Augmentation)
• 54. اعتبارسنجی متقابل (Cross-Validation)
• 55. آموزش مدل در مقیاس بزرگ با SageMaker
• 56. استفاده از SageMaker Training Jobs
• 57. مدیریت منابع محاسباتی برای آموزش
• 58. آموزش توزیع‌شده با SageMaker
• 59. آموزش با استفاده از الگوریتم‌های داخلی SageMaker
• 60. استفاده از کانتینرهای پیش‌ساخته SageMaker
• 61. ساخت کانتینرهای سفارشی برای آموزش
• 62. اشکال‌زدایی و نظارت بر فرآیند آموزش
• 63. لاگ‌برداری و مانیتورینگ با CloudWatch
• 64. مدیریت نسخه‌های مدل
• 65. ذخیره‌سازی و بازیابی مدل‌های آموزش‌دیده
• 66. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 67. استقرار مدل‌ها به صورت Real-time Endpoint
• 68. استقرار مدل‌ها به صورت Batch Transform
• 69. بهینه‌سازی هزینه در آموزش و استقرار مدل
• 70. استفاده از نمونه‌های Spot برای کاهش هزینه آموزش
• 71. مدیریت چرخه حیات مدل در SageMaker
• 72. مقدمه‌ای بر MLOps با SageMaker
• 73. خودکارسازی فرآیندهای آموزش و استقرار
• 74. نظارت بر عملکرد مدل در Production
• 75. بازآموزی مدل‌ها بر اساس داده‌های جدید
• 76. ملاحظات امنیتی در یادگیری ماشین با AWS
• 77. مدیریت دسترسی‌ها با IAM
• 78. رمزنگاری داده‌ها در حالت سکون و انتقال
• 79. حفاظت از مدل‌ها و داده‌های حساس
• 80. مقدمه‌ای بر یادگیری تقویتی
• 81. کاربردها و الگوریتم‌های یادگیری تقویتی
• 82. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 83. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 84. کاربرد LLMs در پردازش زبان طبیعی
• 85. آموزش و تنظیم دقیق LLMs
• 86. ملاحظات اخلاقی در هوش مصنوعی
• 87. سوگیری در داده‌ها و مدل‌ها
• 88. شفافیت و قابلیت تفسیر مدل‌ها
• 89. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 90. نگاهی به آینده هوش مصنوعی و یادگیری ماشین
• 91. توسعه مدل‌های یادگیری ماشین برای کاربردهای صنعتی
• 92. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 93. هوش مصنوعی مولد و خلاقیت
• 94. آینده پردازش زبان طبیعی و درک مطلب
• 95. چالش‌های پیاده‌سازی هوش مصنوعی در سازمان‌ها
• 96. ارتباط بین هوش مصنوعی و علم داده
• 97. مبانی آماری برای یادگیری ماشین
• 98. مفاهیم احتمالات و توزیع‌ها
• 99. مقدمه‌ای بر جبر خطی در یادگیری ماشین
• 100. کاربرد ماتریس‌ها و بردارها