فلش‌کارت‌های آموزشی مهندسی یادگیری ماشین برای تولید در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی یادگیری ماشین برای تولید در پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی مدل‌های یادگیری ماشین در عمل

📋 سرفصل‌های دوره

• 1. مبانی مهندسی یادگیری ماشین
• 2. آشنایی با چرخه عمر مدل یادگیری ماشین
• 3. مراحل تولید مدل یادگیری ماشین
• 4. انتخاب ابزار و فریم‌ورک مناسب
• 5. مقدمه‌ای بر پایتون برای مهندسی یادگیری ماشین
• 6. ساختاردهی پروژه‌های یادگیری ماشین
• 7. مدیریت وابستگی‌ها در پایتون
• 8. کار با محیط‌های مجازی در پایتون
• 9. مقدمه‌ای بر بسته‌های علمی پایتون (NumPy, Pandas)
• 10. تحلیل اکتشافی داده‌ها (EDA)
• 11. پاکسازی و پیش‌پردازش داده‌ها
• 12. مهندسی ویژگی (Feature Engineering)
• 13. انتخاب ویژگی (Feature Selection)
• 14. آموزش مدل‌های یادگیری ماشین پایه
• 15. ارزیابی عملکرد مدل‌ها
• 16. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 17. اعتبارسنجی مدل (Model Validation)
• 18. مقدمه‌ای بر MLOps
• 19. اصول MLOps
• 20. پایپ‌لاین‌های یادگیری ماشین
• 21. اتوماسیون در MLOps
• 22. مدیریت نسخه مدل (Model Versioning)
• 23. مدیریت داده‌ها در MLOps
• 24. ردیابی آزمایش‌ها (Experiment Tracking)
• 25. مستندسازی مدل‌ها
• 26. استقرار مدل (Model Deployment)
• 27. روش‌های استقرار مدل
• 28. استقرار مدل به صورت API
• 29. استقرار مدل در محیط‌های ابری
• 30. استقرار مدل در دستگاه‌های لبه (Edge Devices)
• 31. مانیتورینگ مدل در حال اجرا
• 32. تشخیص افت عملکرد مدل (Model Drift)
• 33. بازآموزی مدل‌ها (Model Retraining)
• 34. مدیریت چرخه عمر مدل (Model Lifecycle Management)
• 35. امنیت در مهندسی یادگیری ماشین
• 36. حریم خصوصی داده‌ها در یادگیری ماشین
• 37. مسئولیت‌پذیری در هوش مصنوعی
• 38. اصول اخلاقی در هوش مصنوعی
• 39. توضیح‌پذیری مدل‌ها (Model Explainability)
• 40. تفسیر نتایج مدل‌ها (Model Interpretability)
• 41. تجسم داده‌ها و نتایج مدل
• 42. کار با داده‌های بزرگ (Big Data)
• 43. مقدمه‌ای بر Apache Spark
• 44. استفاده از Spark برای پردازش داده
• 45. استفاده از Spark برای آموزش مدل
• 46. مقدمه‌ای بر Docker
• 47. کانتینرسازی برنامه‌های یادگیری ماشین
• 48. ساخت ایمیج Docker برای مدل‌ها
• 49. استفاده از Docker Compose
• 50. مقدمه‌ای بر Kubernetes
• 51. استقرار مدل‌ها با Kubernetes
• 52. مدیریت منابع با Kubernetes
• 53. تست و اعتبارسنجی در MLOps
• 54. تست واحد (Unit Testing)
• 55. تست یکپارچه‌سازی (Integration Testing)
• 56. تست پذیرش (Acceptance Testing)
• 57. تست بار (Load Testing)
• 58. تست عملکرد (Performance Testing)
• 59. مقدمه‌ای بر CI/CD
• 60. پیاده‌سازی CI/CD برای پروژه‌های ML
• 61. اتوماسیون ساخت و استقرار
• 62. مدیریت پیکربندی (Configuration Management)
• 63. استفاده از ابزارهای CI/CD (مانند Jenkins, GitLab CI)
• 64. مقدمه‌ای بر Feature Stores
• 65. اهمیت Feature Stores
• 66. طراحی و پیاده‌سازی Feature Store
• 67. مدیریت داده‌های ویژگی (Feature Data Management)
• 68. مقدمه‌ای بر Model Registries
• 69. اهمیت Model Registries
• 70. طراحی و پیاده‌سازی Model Registry
• 71. مدیریت نسخه‌های مدل در Registry
• 72. مقدمه‌ای بر Orchestration
• 73. ابزارهای Orchestration (مانند Airflow, Kubeflow Pipelines)
• 74. طراحی پایپ‌لاین‌های ارکستره شده
• 75. زمان‌بندی و نظارت بر پایپ‌لاین‌ها
• 76. مقدمه‌ای بر A/B Testing
• 77. طراحی و پیاده‌سازی A/B Testing برای مدل‌ها
• 78. تحلیل نتایج A/B Testing
• 79. مقدمه‌ای بر Responsible AI
• 80. اصول Responsible AI
• 81. پیاده‌سازی Responsible AI در عمل
• 82. ارزیابی ریسک مدل‌ها
• 83. مقدمه‌ای بر MLOps Platforms
• 84. بررسی پلتفرم‌های MLOps (مانند MLflow, SageMaker, Vertex AI)
• 85. انتخاب پلتفرم مناسب
• 86. کاربردهای پیشرفته مهندسی یادگیری ماشین
• 87. یادگیری تقویتی در تولید
• 88. یادگیری عمیق در تولید
• 89. پردازش زبان طبیعی در تولید
• 90. بینایی ماشین در تولید
• 91. مدل‌های توصیه‌گر در تولید
• 92. مقدمه‌ای بر مباحث پیشرفته ریاضی برای ML
• 93. مقدمه‌ای بر مباحث پیشرفته آماری برای ML
• 94. اصول مهندسی نرم‌افزار در پروژه‌های ML
• 95. مدیریت دانش در تیم‌های ML
• 96. فرهنگ سازمانی MLOps
• 97. آینده مهندسی یادگیری ماشین
• 98. جمع‌بندی و گام‌های بعدی در MLOps