فلش‌کارت‌های آموزشی طراحی و اجرای پلتفرم‌های ابری برای یادگیری تقویت‌شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و اجرای پلتفرم‌های ابری برای یادگیری تقویت‌شده

موضوع کلی: یادگیری ماشین

موضوع میانی: یادگیری تقویت‌شده در ابری

📋 سرفصل‌های دوره

• 1. مقدمه به یادگیری ماشین و اهمیت Boosting
• 2. مفاهیم پایه‌ی یادگیری ماشین
• 3. تعریف و اصول پایه‌ی Boosting
• 4. انواع Boosting: AdaBoost vs Gradient Boosting
• 5. چرا Boosting در محیط ابری مناسب است
• 6. تنظیم حساب کاربری و دسترسی به سرویس‌های ابری ML
• 7. مقدمه به سرویس‌های مدیریت مدل (Managed ML) در ابری
• 8. ساختار pipelines در Cloud Machine Learning
• 9. نصب و تنظیم XGBoost در محیط محلی
• 10. انتقال مدل XGBoost به سرویس‌های ابری
• 11. ایجاد pipeline جدید در AWS SageMaker
• 12. تنظیم hyperparameters با Hyperparameter Tuning در ابری
• 13. استفاده از AutoML برای ساخت مدل Boosting
• 14. بهینه‌سازی هزینه‌های محاسباتی در pipelines
• 15. مدیریت داده‌ها: بارگذاری و پیش‌پردازش داده‌ها در Cloud
• 16. Feature Engineering برای مدل‌های Boosting
• 17. انتخاب و حذف ویژگی‌های نامهم (Feature Selection)
• 18. آموزش مدل‌های چندپرت (Multivariate) با Boosting
• 19. ارزیابی مدل: معیارهای عمومی و مخصوص Boosting
• 20. بهینه‌سازی زمان اجرا (Inference latency) در ابری
• 21. امنیتی و حریم‌دار داده‌ها در pipelines ML
• 22. پیاده‌سازی CI/CD برای مدل‌های Boosting
• 23. مدل‌گیری و نسخه‌بندی (Versioning) مدل‌ها در Cloud
• 24. مانیتورینگ عملکرد مدل در زمان واقعی
• 25. لاگ‌گیری و دیباگینگ اشکالات رایج
• 26. اسکالینگ خودکار (Auto Scaling) در pipelines Boosting
• 27. استفاده از Kubeflow یا Apache Airflow برای اورکستراسیون
• 28. Deploy مدل به صورت API RESTful در ابری
• 29. اجرای پیش‌بینی دسته‌ای (Batch Prediction) در Cloud
• 30. تست A/B و به‌روزرسانی مدل‌های مستمر
• 31. بهینه‌سازی حافظه و سرعت در مدل‌های بزرگ Boosting
• 32. ترکیب Boosting با سایر الگوریتم‌های ML (Ensemble)
• 33. کار با داده‌های زمان‌سری (Time Series) با Boosting
• 34. استفاده از GPU/TPU برای تسریع مدل‌های Boosting
• 35. Deploy مدل به Edge (Edge Computing) با Boosting
• 36. بررسی جدیدترین پیشرفت‌ها در Boosting و ابری
• 37. مثال‌های کاربردی: پیش‌بینی طلبات در فروشگاه
• 38. مثال‌های کاربردی: تشخیص تقلب در تراکنش مالی
• 39. بهینه‌سازی hyperparameters با جست‌وجوی گرید و راندم
• 40. استفاده از AutoML Pipelines برای بهبود دقت
• 41. مدیریت منابع داده‌ای (Data Governance) در Cloud
• 42. قوانین و استانداردهای امنیتی در سرویس‌های ابری ML
• 43. بهینه‌سازی هزینه‌های ذخیره‌سازی داده‌ها
• 44. پیاده‌سازی مدل‌های چندگانه (Multimodal) با Boosting
• 45. جمع‌بندی دوره و منابع برای یادترفت