فلش‌کارت‌های آموزشی پیاده‌سازی خودکار فرآیندهای یادگیری ماشین در سازمان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی خودکار فرآیندهای یادگیری ماشین در سازمان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی سیستم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. پاکسازی و نرمال‌سازی داده‌ها
• 6. مهندسی ویژگی و انتخاب ویژگی
• 7. مدل‌های یادگیری ماشین کلاسیک
• 8. رگرسیون خطی و لجستیک
• 9. ماشین‌های بردار پشتیبان
• 10. درختان تصمیم و جنگل‌های تصادفی
• 11. مدل‌های یادگیری عمیق
• 12. شبکه‌های عصبی مصنوعی
• 13. شبکه‌های عصبی کانولوشنی (CNN)
• 14. شبکه‌های عصبی بازگشتی (RNN)
• 15. معماری‌های ترنسفورمر
• 16. ارزیابی مدل‌های یادگیری ماشین
• 17. معیارهای ارزیابی: دقت، صحت، بازیابی، امتیاز F1
• 18. اعتبارسنجی متقابل
• 19. تنظیم ابرپارامترها
• 20. مقدمه‌ای بر MLOps (عملیات یادگیری ماشین)
• 21. چرخه عمر سیستم‌های یادگیری ماشین
• 22. اهمیت MLOps در استقرار و نگهداری مدل‌ها
• 23. اصول مهندسی سیستم‌های یادگیری ماشین
• 24. معماری‌های سیستم‌های ML
• 25. زیرساخت‌های ابری برای ML
• 26. مدیریت داده‌ها در سیستم‌های ML
• 27. پایگاه‌های داده و مخازن داده
• 28. خطوط لوله داده (Data Pipelines)
• 29. ابزارهای مدیریت داده
• 30. توسعه و آموزش مدل‌ها
• 31. انتخاب چارچوب‌های ML
• 32. مدیریت محیط‌های توسعه
• 33. رهگیری آزمایش‌ها (Experiment Tracking)
• 34. ابزارهای رهگیری آزمایش
• 35. ثبت و نسخه‌بندی مدل‌ها
• 36. پلتفرم‌های مدیریت مدل
• 37. استقرار مدل‌ها (Model Deployment)
• 38. استقرار مدل‌ها به صورت دسته‌ای (Batch)
• 39. استقرار مدل‌ها به صورت بلادرنگ (Real-time)
• 40. APIهای استقرار مدل
• 41. میکروسرویس‌ها برای مدل‌های ML
• 42. مدیریت و نظارت بر مدل‌های مستقر شده
• 43. مانیتورینگ عملکرد مدل
• 44. تشخیص انحراف داده (Data Drift)
• 45. تشخیص انحراف مفهوم (Concept Drift)
• 46. بازآموزی مدل‌ها
• 47. اتوماسیون در MLOps
• 48. خطوط لوله CI/CD برای ML
• 49. ابزارهای اتوماسیون CI/CD
• 50. استقرار خودکار مدل‌ها
• 51. مدیریت زیرساخت خودکار
• 52. امنیت در سیستم‌های ML
• 53. امنیت داده‌ها و مدل‌ها
• 54. ملاحظات حریم خصوصی
• 55. حملات به مدل‌های ML
• 56. مقاوم‌سازی مدل‌ها در برابر حملات
• 57. ملاحظات اخلاقی در ML
• 58. سوگیری در الگوریتم‌ها
• 59. شفافیت و توضیح‌پذیری مدل‌ها
• 60. مسئولیت‌پذیری در ML
• 61. کاربرد ML در سازمان‌ها
• 62. تحلیل داده‌های مشتری
• 63. پیش‌بینی فروش
• 64. سیستم‌های توصیه‌گر
• 65. پردازش زبان طبیعی (NLP)
• 66. مقدمه‌ای بر NLP
• 67. مدل‌های زبانی
• 68. کاربرد NLP در تحلیل متن
• 69. بینایی ماشین (Computer Vision)
• 70. مقدمه‌ای بر بینایی ماشین
• 71. پردازش تصویر
• 72. کاربرد بینایی ماشین در تشخیص اشیاء
• 73. سیستم‌های یادگیری تقویتی (RL)
• 74. مفاهیم پایه RL
• 75. کاربرد RL در رباتیک و بازی‌ها
• 76. MLOps در عمل: مطالعات موردی
• 77. مثال‌های پیاده‌سازی MLOps در صنایع مختلف
• 78. چالش‌های پیاده‌سازی MLOps
• 79. آینده MLOps و یادگیری ماشین خودکار
• 80. روندهای نوظهور در MLOps
• 81. هوش مصنوعی مسئولانه و قابل اعتماد
• 82. معماری‌های ML توزیع شده
• 83. یادگیری فدرال (Federated Learning)
• 84. یادگیری انتقالی (Transfer Learning)
• 85. مدل‌های خودکار (AutoML)
• 86. تولید خودکار ویژگی
• 87. تولید خودکار مدل
• 88. تنظیم خودکار ابرپارامترها
• 89. ارزیابی خودکار مدل
• 90. پیاده‌سازی خودکار خطوط لوله ML
• 91. راهکارهای ابری برای MLOps
• 92. خدمات ML در AWS
• 93. خدمات ML در Google Cloud
• 94. خدمات ML در Azure
• 95. ابزارهای متن‌باز برای MLOps
• 96. Kubeflow
• 97. MLflow
• 98. ZenML
• 99. استقرار و مقیاس‌پذیری سیستم‌های ML
• 100. بهینه‌سازی مصرف منابع