فلش‌کارت‌های آموزشی استقرار مدل‌های یادگیری ماشین در Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار مدل‌های یادگیری ماشین در Cloud

موضوع کلی: برنامه نویسی

موضوع میانی: رایانش ابری (Cloud Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. مبانی آمار و احتمالات برای یادگیری ماشین
• 3. جبر خطی در یادگیری ماشین
• 4. مفاهیم اساسی یادگیری نظارت‌شده
• 5. رگرسیون خطی و ارزیابی مدل‌های رگرسیون
• 6. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 7. تقویت مدل‌ها با روش‌های Ensemble
• 8. درختان تصمیم و قواعد تصمیم‌گیری
• 9. روش‌های دسته‌بندی مبتنی بر درخت
• 10. ماشین‌های بردار پشتیبان (SVM)
• 11. خوشه‌بندی و الگوریتم K-Means
• 12. کاهش ابعاد با PCA
• 13. شبکه‌های عصبی مصنوعی: مبانی
• 14. تابع فعال‌سازی در شبکه‌های عصبی
• 15. پس‌انتشار خطا (Backpropagation)
• 16. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 17. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 18. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 19. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 20. پردازش زبان طبیعی (NLP) با یادگیری ماشین
• 21. مدل‌های زبانی و Word Embeddings
• 22. ترجمه ماشینی با شبکه‌های عصبی
• 23. یادگیری عمیق برای تشخیص اشیاء
• 24. شبکه‌های مولد تخاصمی (GAN)
• 25. یادگیری تقویتی: مفاهیم اولیه
• 26. عامل و محیط در یادگیری تقویتی
• 27. الگوریتم‌های یادگیری تقویتی Q-Learning
• 28. الگوریتم‌های Policy Gradient
• 29. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 30. مراحل مهندسی ویژگی در یادگیری ماشین
• 31. پیش‌پردازش داده‌ها برای مدل‌ها
• 32. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
• 33. مدیریت داده‌های گمشده و پرت
• 34. ارزیابی مدل‌های یادگیری ماشین
• 35. سنجه‌های ارزیابی برای رگرسیون
• 36. سنجه‌های ارزیابی برای طبقه‌بندی
• 37. منحنی ROC و AUC
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 40. جستجوی شبکه‌ای (Grid Search)
• 41. جستجوی تصادفی (Random Search)
• 42. مقدمه‌ای بر معماری‌های Cloud
• 43. مفاهیم پایه Cloud Computing
• 44. انواع خدمات Cloud: IaaS, PaaS, SaaS
• 45. مزایای استفاده از Cloud برای یادگیری ماشین
• 46. خدمات Cloud برای ذخیره‌سازی داده
• 47. سرویس‌های پردازشی Cloud
• 48. مدیریت منابع در Cloud
• 49. مقدمه‌ای بر استقرار مدل‌ها در Cloud
• 50. مراحل استقرار مدل در محیط Cloud
• 51. انتخاب پلتفرم Cloud مناسب
• 52. Amazon Web Services (AWS) برای ML
• 53. Google Cloud Platform (GCP) برای ML
• 54. Microsoft Azure برای ML
• 55. ابزارهای استقرار در AWS: SageMaker
• 56. استقرار مدل با AWS Lambda
• 57. استقرار مدل با AWS Elastic Beanstalk
• 58. ابزارهای استقرار در GCP: Vertex AI
• 59. استقرار مدل با Google Cloud Functions
• 60. استقرار مدل با Google Kubernetes Engine (GKE)
• 61. ابزارهای استقرار در Azure: Azure ML
• 62. استقرار مدل با Azure Functions
• 63. استقرار مدل با Azure Kubernetes Service (AKS)
• 64. مانیتورینگ مدل‌های مستقر شده
• 65. ردیابی عملکرد مدل در طول زمان
• 66. تشخیص انحراف داده (Data Drift)
• 67. تشخیص انحراف مدل (Model Drift)
• 68. بازآموزی مدل‌ها در Cloud
• 69. استراتژی‌های بازآموزی خودکار
• 70. امنیت در استقرار مدل‌های ML
• 71. مدیریت دسترسی و مجوزها در Cloud
• 72. حفاظت از داده‌ها در Cloud
• 73. انطباق با مقررات در استقرار ML
• 74. مقررات حفاظت از داده‌ها در ایران
• 75. ملاحظات شرعی در داده‌های آموزشی
• 76. ملاحظات شرعی در الگوریتم‌های ML
• 77. اصول اخلاقی در هوش مصنوعی
• 78. بی‌طرفی و انصاف در الگوریتم‌ها
• 79. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 80. مسئولیت‌پذیری در هوش مصنوعی
• 81. کاربرد ML در صنایع داخلی
• 82. کاربرد ML در حوزه سلامت
• 83. کاربرد ML در حوزه مالی و بانکی
• 84. کاربرد ML در حوزه صنعت و تولید
• 85. کاربرد ML در حوزه کشاورزی
• 86. کاربرد ML در حوزه حمل و نقل
• 87. کاربرد ML در حوزه آموزش
• 88. استقرار مدل‌ها بر روی سرورهای داخلی
• 89. استفاده از پلتفرم‌های متن‌باز برای استقرار
• 90. نکات بهینه‌سازی عملکرد مدل‌ها
• 91. فشرده‌سازی مدل‌ها برای استقرار
• 92. استفاده از سخت‌افزارهای تخصصی (GPU/TPU)
• 93. کاربرد Docker در بسته‌بندی مدل‌ها
• 94. استفاده از Kubernetes برای مدیریت کانتینرها
• 95. مقدمه‌ای بر MLOps
• 96. چرخه حیات توسعه و استقرار ML
• 97. اتوماسیون در MLOps
• 98. مدیریت نسخه مدل‌ها و داده‌ها
• 99. تست و اعتبارسنجی در MLOps
• 100. پیاده‌سازی CI/CD برای مدل‌های ML