کتاب صوتی طراحی و پیاده‌سازی سیستم‌های یادگیری ماشین در عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی سیستم‌های یادگیری ماشین در عمل

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 5. جمع‌آوری و پاکسازی داده‌ها
• 6. مدیریت داده‌های گمشده و پرت
• 7. تبدیل و نرمال‌سازی داده‌ها
• 8. انتخاب و استخراج ویژگی
• 9. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 10. رگرسیون خطی و کاربردهای آن
• 11. رگرسیون لجستیک و طبقه‌بندی
• 12. ماشین‌های بردار پشتیبان (SVM)
• 13. درختان تصمیم و جنگل‌های تصادفی
• 14. مدل‌های مبتنی بر هم‌افزایی (Ensemble Methods)
• 15. یادگیری عمیق و شبکه‌های عصبی
• 16. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 17. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 18. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 19. شبکه‌های عصبی ترنسفورمر و کاربردهای نوین
• 20. ارزیابی و اعتبارسنجی مدل‌ها
• 21. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 22. معیارهای ارزیابی مدل‌های رگرسیون
• 23. اعتبارسنجی متقابل (Cross-Validation)
• 24. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 25. انتخاب بهترین مدل
• 26. پیاده‌سازی سیستم‌های یادگیری ماشین در عمل
• 27. چرخه حیات پروژه یادگیری ماشین
• 28. تعریف مسئله و جمع‌آوری نیازمندی‌ها
• 29. طراحی معماری سیستم یادگیری ماشین
• 30. انتخاب ابزارها و فریم‌ورک‌ها
• 31. توسعه و آموزش مدل
• 32. استقرار مدل در محیط عملیاتی
• 33. نظارت و نگهداری مدل
• 34. مدیریت داده در سیستم‌های یادگیری ماشین
• 35. پایگاه‌های داده و ذخیره‌سازی داده‌ها
• 36. خطوط لوله داده (Data Pipelines)
• 37. مدیریت نسخه داده (Data Versioning)
• 38. امنیت داده‌ها و حریم خصوصی
• 39. معماری سیستم‌های یادگیری ماشین
• 40. معماری‌های مونولیتیک در مقابل میکروسرویس‌ها
• 41. سیستم‌های پردازش دسته‌ای (Batch Processing)
• 42. سیستم‌های پردازش جریانی (Stream Processing)
• 43. طراحی برای مقیاس‌پذیری و تحمل خطا
• 44. مدیریت منابع و زیرساخت
• 45. محاسبات ابری (Cloud Computing) برای ML
• 46. استفاده از GPU و TPU
• 47. کانتینرسازی (Containerization) با Docker
• 48. ارکستراسیون با Kubernetes
• 49. استقرار و سرویس‌دهی مدل‌ها
• 50. APIهای RESTful برای سرویس‌دهی مدل
• 51. استقرار مدل‌های Real-time
• 52. استقرار مدل‌های Batch
• 53. استقرار مدل‌ها بر روی دستگاه‌های لبه (Edge Devices)
• 54. نظارت و نگهداری مدل‌های مستقر شده
• 55. مانیتورینگ عملکرد مدل
• 56. تشخیص و مدیریت افت مدل (Model Drift)
• 57. بازآموزی مدل‌ها
• 58. مدیریت چرخه عمر مدل (MLOps)
• 59. مقدمه‌ای بر MLOps
• 60. اصول و بهترین شیوه‌های MLOps
• 61. ابزارهای MLOps
• 62. اتوماسیون در MLOps
• 63. تست در MLOps
• 64. امنیت در سیستم‌های یادگیری ماشین
• 65. امنیت داده‌ها و مدل‌ها
• 66. حملات رایج به سیستم‌های ML و دفاع در برابر آن‌ها
• 67. حریم خصوصی در یادگیری ماشین
• 68. اخلاق در هوش مصنوعی
• 69. سوگیری در داده‌ها و مدل‌ها
• 70. مسئولیت‌پذیری در هوش مصنوعی
• 71. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 72. کاربردها و مطالعات موردی
• 73. سیستم‌های توصیه‌گر
• 74. پردازش زبان طبیعی (NLP) در عمل
• 75. بینایی ماشین (Computer Vision) در عمل
• 76. سیستم‌های تشخیص تقلب
• 77. سیستم‌های پیش‌بینی و بهینه‌سازی
• 78. مطالعات موردی در صنایع مختلف
• 79. آینده یادگیری ماشین و هوش مصنوعی
• 80. روندهای نوظهور در ML
• 81. چالش‌های پیش رو
• 82. تاثیر هوش مصنوعی بر جامعه و اقتصاد
• 83. یادگیری ماشین مسئولانه و اخلاقی
• 84. مباحث پیشرفته در مهندسی یادگیری ماشین
• 85. تکنیک‌های کاهش ابعاد
• 86. یادگیری تقویتی عمیق
• 87. یادگیری انتقالی (Transfer Learning)
• 88. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 89. شبکه‌های مولد تخاصمی (GANs)
• 90. یادگیری فدرال (Federated Learning)
• 91. هوش مصنوعی قابل اعتماد و اخلاقی
• 92. اصول طراحی سیستم‌های ML قابل اعتماد
• 93. قابلیت توضیح‌پذیری مدل‌های پیچیده
• 94. مدیریت ریسک در پیاده‌سازی ML
• 95. جمع‌بندی و گام‌های بعدی