فلش‌کارت‌های آموزشی ساخت و استقرار مدل‌های پیش‌بینی‌کننده در Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های پیش‌بینی‌کننده در Azure

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Microsoft Azure AI

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر خدمات ابری Azure برای یادگیری ماشین
• 2. آشنایی با سرویس Azure Machine Learning
• 3. ایجاد فضای کاری Azure Machine Learning
• 4. مدیریت داده‌ها در Azure برای یادگیری ماشین
• 5. اتصال به منابع داده در Azure
• 6. استفاده از Azure Blob Storage برای داده‌ها
• 7. استفاده از Azure Data Lake Storage برای داده‌ها
• 8. کار با Azure SQL Database برای داده‌ها
• 9. آماده‌سازی و پاکسازی داده‌ها در Azure ML
• 10. مهندسی ویژگی با استفاده از Azure ML Studio
• 11. انتخاب الگوریتم‌های یادگیری ماشین مناسب
• 12. آموزش مدل‌های یادگیری ماشین در Azure
• 13. استقرار مدل‌های آموزش‌دیده در Azure
• 14. مدیریت چرخه حیات مدل در Azure ML
• 15. مقدمه‌ای بر مدل‌های پیش‌بینی‌کننده
• 16. اصول یادگیری نظارت‌شده
• 17. رگرسیون خطی در Azure ML
• 18. رگرسیون لجستیک در Azure ML
• 19. ماشین‌های بردار پشتیبان (SVM) برای رگرسیون
• 20. درختان تصمیم برای رگرسیون
• 21. جنگل‌های تصادفی برای رگرسیون
• 22. مدل‌های تقویت گرادیان برای رگرسیون
• 23. اصول یادگیری نظارت‌نشده
• 24. خوشه‌بندی K-Means در Azure ML
• 25. خوشه‌بندی سلسله‌مراتبی در Azure ML
• 26. تحلیل مؤلفه‌های اصلی (PCA) در Azure ML
• 27. کاهش ابعاد با استفاده از Azure ML
• 28. مدل‌سازی سری‌های زمانی
• 29. پیش‌بینی فروش با استفاده از Azure ML
• 30. پیش‌بینی تقاضا با Azure ML
• 31. مدل‌سازی پیش‌بینی‌کننده برای مشتریان
• 32. یادگیری عمیق و شبکه‌های عصبی
• 33. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 34. شبکه‌های عصبی کانولوشنی (CNN) برای بینایی ماشین
• 35. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 36. استفاده از Azure Machine Learning Designer
• 37. طراحی جریان‌های کاری یادگیری ماشین بدون کد
• 38. تنظیم پارامترهای مدل در Azure ML
• 39. اعتبارسنجی و ارزیابی مدل‌ها
• 40. معیارهای ارزیابی مدل‌های رگرسیون
• 41. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 42. اعتبارسنجی متقابل در Azure ML
• 43. تنظیم ابرپارامترها با استفاده از Azure ML
• 44. استقرار مدل‌های پیش‌بینی‌کننده
• 45. استقرار مدل به عنوان سرویس وب در Azure
• 46. استقرار مدل در Azure Kubernetes Service (AKS)
• 47. استقرار مدل در Azure Container Instances (ACI)
• 48. مدیریت و مانیتورینگ مدل‌های مستقر شده
• 49. بازآموزی مدل‌ها با داده‌های جدید
• 50. اتوماسیون فرآیند یادگیری ماشین (AutoML)
• 51. استفاده از AutoML در Azure ML
• 52. تنظیمات پیشرفته AutoML
• 53. کاربرد مدل‌های پیش‌بینی‌کننده در کسب و کار
• 54. پیش‌بینی ریزش مشتری
• 55. سیستم‌های توصیه‌گر بر مبنای Azure ML
• 56. تشخیص ناهنجاری با استفاده از Azure ML
• 57. پیش‌بینی ریسک اعتباری
• 58. مدل‌سازی پیش‌بینی‌کننده در تولید
• 59. بهینه‌سازی زنجیره تأمین با مدل‌های پیش‌بینی‌کننده
• 60. مدیریت ریسک در بازارهای مالی
• 61. کاربرد مدل‌های پیش‌بینی‌کننده در خدمات درمانی
• 62. پیش‌بینی بیماری‌ها
• 63. مدیریت منابع در سازمان‌ها
• 64. تحلیل احساسات با استفاده از Azure ML
• 65. پردازش زبان طبیعی (NLP) در Azure ML
• 66. استفاده از Azure Cognitive Services برای NLP
• 67. مدل‌سازی پیش‌بینی‌کننده برای بازاریابی
• 68. بهینه‌سازی کمپین‌های بازاریابی
• 69. شخصی‌سازی تجربه مشتری
• 70. مدیریت موجودی با مدل‌های پیش‌بینی‌کننده
• 71. پیش‌بینی خرابی تجهیزات
• 72. تعمیر و نگهداری پیش‌بینانه
• 73. کاربرد مدل‌های پیش‌بینی‌کننده در امنیت
• 74. تشخیص تقلب
• 75. امنیت سایبری و پیش‌بینی حملات
• 76. مدل‌سازی پیش‌بینی‌کننده در آموزش
• 77. شخصی‌سازی یادگیری
• 78. پیش‌بینی موفقیت تحصیلی دانش‌آموزان
• 79. استقرار مدل‌های پیش‌بینی‌کننده در مقیاس بزرگ
• 80. بهینه‌سازی عملکرد مدل‌ها
• 81. مدیریت هزینه در Azure ML
• 82. ملاحظات امنیتی در استقرار مدل‌ها
• 83. اخلاق در یادگیری ماشین
• 84. تفسیرپذیری مدل‌ها
• 85. سوگیری در الگوریتم‌ها
• 86. حریم خصوصی داده‌ها در Azure ML
• 87. مقررات و انطباق در حوزه یادگیری ماشین
• 88. آینده یادگیری ماشین و مدل‌های پیش‌بینی‌کننده
• 89. یادگیری تقویتی
• 90. یادگیری انتقالی
• 91. هوش مصنوعی قابل اعتماد
• 92. نوآوری در مدل‌های پیش‌بینی‌کننده
• 93. جمع‌بندی و گام‌های بعدی در Azure ML