فلش‌کارت‌های آموزشی ساخت سیستم‌های یادگیری ماشین برای دوران هوش مصنوعی متمرکز بر داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت سیستم‌های یادگیری ماشین برای دوران هوش مصنوعی متمرکز بر داده

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی متمرکز بر داده
• 2. اهمیت داده در یادگیری ماشین مدرن
• 3. چرخه حیات یک سیستم یادگیری ماشین
• 4. معماری سیستم‌های یادگیری ماشین
• 5. جمع‌آوری و برچسب‌زنی داده‌ها: چالش‌ها و راهکارها
• 6. کیفیت داده و تاثیر آن بر عملکرد مدل
• 7. تکنیک‌های پاکسازی و پیش‌پردازش داده
• 8. مهندسی ویژگی: انتخاب و استخراج ویژگی‌های موثر
• 9. تکنیک‌های افزایش داده (Data Augmentation)
• 10. ابزارهای مدیریت و ورژن‌بندی داده
• 11. معرفی فریم‌ورک‌های داده‌محور (مانند Flyte, Feast)
• 12. مفاهیم اساسی مدل‌سازی یادگیری ماشین
• 13. انتخاب مدل مناسب بر اساس نوع داده و مسئله
• 14. آموزش و ارزیابی مدل‌های یادگیری ماشین
• 15. تکنیک‌های تنظیم هایپرپارامترها
• 16. معماری میکروسرویس‌ها و تاثیر آن بر سیستم‌های یادگیری ماشین
• 17. استقرار مدل‌های یادگیری ماشین (Model Deployment)
• 18. مانیتورینگ و پایش عملکرد مدل در محیط عملیاتی
• 19. تشخیص و رفع خطاهای مدل (Model Debugging)
• 20. مفاهیم Drift داده و مدل
• 21. تکنیک‌های مقابله با Drift داده و مدل
• 22. بهینه‌سازی عملکرد مدل برای استقرار در مقیاس بزرگ
• 23. استفاده از سخت‌افزار شتاب‌دهنده (GPU, TPU)
• 24. مفاهیم Pipeline‌های یادگیری ماشین
• 25. ساخت Pipeline‌های یادگیری ماشین با استفاده از ابزارهای مختلف
• 26. اتوماسیون Pipeline‌های یادگیری ماشین (MLOps)
• 27. مدیریت چرخه حیات مدل (Model Lifecycle Management)
• 28. تست و اعتبارسنجی سیستم‌های یادگیری ماشین
• 29. امنیت در سیستم‌های یادگیری ماشین
• 30. مفاهیم اخلاقی در هوش مصنوعی و یادگیری ماشین
• 31. تفسیرپذیری مدل (Model Interpretability) و توضیح‌پذیری (Explainability)
• 32. استفاده از ابزارهای تفسیرپذیری مدل (مانند SHAP, LIME)
• 33. بهبود مستمر سیستم‌های یادگیری ماشین با استفاده از بازخورد کاربران
• 34. بررسی موردی: سیستم‌های توصیه‌گر داده‌محور
• 35. بررسی موردی: سیستم‌های تشخیص تقلب داده‌محور
• 36. بررسی موردی: سیستم‌های پردازش زبان طبیعی داده‌محور
• 37. کار با داده‌های نامتوازن (Imbalanced Data)
• 38. تکنیک‌های یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 39. یادگیری تقویتی (Reinforcement Learning) و کاربردهای آن
• 40. یادگیری انتقالی (Transfer Learning) و کاربردهای آن
• 41. استفاده از یادگیری فدرال (Federated Learning) برای حفظ حریم خصوصی داده‌ها
• 42. معماری‌های توزیع‌شده برای آموزش مدل‌های بزرگ
• 43. مفاهیم پایگاه داده‌های برداری (Vector Databases)
• 44. جستجوی شباهت معنایی با استفاده از Embeddingها
• 45. استفاده از LLM ها (Large Language Models) در سیستم های یادگیری ماشین
• 46. Prompt Engineering برای بهبود عملکرد LLM ها
• 47. ارزیابی و مقایسه LLM های مختلف
• 48. بهینه‌سازی LLM ها برای استقرار در محیط های عملیاتی