فلش‌کارت‌های آموزشی آموزش مدل‌های یادگیری ماشین با استفاده از خدمات AWS برای مهندسان ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل‌های یادگیری ماشین با استفاده از خدمات AWS برای مهندسان ML

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین در ابر

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه ای بر خدمات AWS برای یادگیری ماشین
• 5. معماری کلی خدمات AWS برای ML
• 6. انتخاب سرویس مناسب AWS برای آموزش مدل
• 7. آماده سازی داده ها برای آموزش مدل
• 8. بارگذاری داده ها در Amazon S3
• 9. مفاهیم ذخیره سازی داده در AWS
• 10. استفاده از Amazon SageMaker برای مدیریت داده
• 11. پایپ لاین های داده در SageMaker
• 12. پیش پردازش داده ها با SageMaker Data Wrangler
• 13. پاکسازی و نرمال سازی داده ها
• 14. مهندسی ویژگی (Feature Engineering)
• 15. ایجاد ویژگی های جدید
• 16. انتخاب ویژگی (Feature Selection)
• 17. مدیریت مجموعه داده ها
• 18. استفاده از Amazon FSx برای حجم داده های بزرگ
• 19. مفاهیم فضای ذخیره سازی توزیع شده
• 20. آموزش مدل های یادگیری ماشین
• 21. انتخاب الگوریتم مناسب برای مسئله
• 22. آموزش مدل های یادگیری نظارت شده
• 23. رگرسیون خطی
• 24. رگرسیون لجستیک
• 25. ماشین بردار پشتیبان (SVM)
• 26. درختان تصمیم
• 27. جنگل های تصادفی
• 28. مدل های Boosting (مانند XGBoost)
• 29. آموزش مدل های یادگیری بدون نظارت
• 30. خوشه بندی (Clustering)
• 31. K-Means
• 32. DBSCAN
• 33. کاهش ابعاد (Dimensionality Reduction)
• 34. تحلیل مؤلفه های اصلی (PCA)
• 35. تکنیک های تجزیه و تحلیل پنهان معنایی (LSA)
• 36. آموزش مدل های یادگیری تقویتی
• 37. مفاهیم عامل، محیط، پاداش
• 38. الگوریتم های Q-Learning
• 39. Deep Q-Networks (DQN)
• 40. استفاده از Amazon SageMaker Training Jobs
• 41. فریمورک های پشتیبانی شده در SageMaker
• 42. TensorFlow
• 43. PyTorch
• 44. Scikit-learn
• 45. استقرار محیط آموزشی در SageMaker
• 46. پیکربندی منابع محاسباتی
• 47. استفاده از انواع Instance مناسب
• 48. مدیریت هایپرپارامترها (Hyperparameter Tuning)
• 49. جستجوی تصادفی (Random Search)
• 50. جستجوی شبکه‌ای (Grid Search)
• 51. بهینه سازی بیزی (Bayesian Optimization)
• 52. استفاده از SageMaker Hyperparameter Tuning Jobs
• 53. نظارت بر فرآیند آموزش
• 54. لاگینگ و مانیتورینگ با CloudWatch
• 55. تشخیص و رفع اشکال در آموزش
• 56. مقایسه نتایج آموزش با معیارهای ارزیابی
• 57. معیارهای ارزیابی برای رگرسیون
• 58. میانگین مربعات خطا (MSE)
• 59. ریشه میانگین مربعات خطا (RMSE)
• 60. میانگین قدر مطلق خطا (MAE)
• 61. ضریب تعیین (R-squared)
• 62. معیارهای ارزیابی برای طبقه بندی
• 63. دقت (Accuracy)
• 64. صحت (Precision)
• 65. بازیابی (Recall)
• 66. امتیاز F1
• 67. ماتریس درهم ریختگی (Confusion Matrix)
• 68. منحنی ROC و AUC
• 69. استفاده از SageMaker Experiments برای ردیابی
• 70. مدیریت نسخه های مدل
• 71. ذخیره سازی مدل های آموزش دیده در S3
• 72. ساخت Image سفارشی برای SageMaker
• 73. کانتینرهای Docker برای آموزش
• 74. استفاده از SageMaker SDK
• 75. نوشتن اسکریپت های آموزشی
• 76. آموزش توزیع شده (Distributed Training)
• 77. مفاهیم موازی سازی داده و مدل
• 78. استفاده از SageMaker Distributed Training
• 79. مدیریت هزینه در آموزش مدل
• 80. انتخاب Instance مناسب برای صرفه جویی
• 81. استفاده از Spot Instances
• 82. بهینه سازی اندازه دسته (Batch Size)
• 83. مدیریت چرخه عمر مدل
• 84. استقرار مدل های آموزش دیده
• 85. انتخاب سرویس مناسب برای استقرار
• 86. Amazon SageMaker Endpoints
• 87. استقرار مدل های Real-time
• 88. استقرار مدل های Batch Transform
• 89. استقرار مدل های Serverless
• 90. مانیتورینگ مدل های مستقر شده
• 91. تشخیص انحراف داده (Data Drift)
• 92. تشخیص انحراف مدل (Model Drift)
• 93. استفاده از SageMaker Model Monitor
• 94. بهبود مستمر مدل ها
• 95. بازآموزی مدل ها با داده های جدید
• 96. مدیریت مجموعه داده ها برای بازآموزی
• 97. تست A/B برای مقایسه مدل ها
• 98. مفاهیم امنیت در خدمات AWS ML
• 99. مدیریت دسترسی با IAM
• 100. رمزنگاری داده ها در S3