کتاب صوتی تحلیل داده‌های کلان در محیط ابری Azure ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های کلان در محیط ابری Azure ML

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش و تحلیل داده‌های حجیم با استفاده از ابزارهای ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های کلان
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت‌شده
• 5. یادگیری نظارت‌نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر Azure Machine Learning
• 8. معماری Azure Machine Learning
• 9. ایجاد فضای کاری در Azure ML
• 10. مدیریت داده‌ها در Azure ML
• 11. بارگذاری داده‌ها از منابع مختلف
• 12. کار با Azure Blob Storage
• 13. کار با Azure Data Lake Storage
• 14. پیش‌پردازش داده‌ها
• 15. پاک‌سازی داده‌ها
• 16. مقیاس‌بندی داده‌ها
• 17. انتخاب ویژگی
• 18. مهندسی ویژگی
• 19. مدل‌سازی با Azure ML
• 20. استفاده از الگوریتم‌های یادگیری ماشین
• 21. رگرسیون خطی
• 22. رگرسیون لجستیک
• 23. درخت تصمیم
• 24. جنگل تصادفی
• 25. ماشین بردار پشتیبان (SVM)
• 26. شبکه‌های عصبی
• 27. یادگیری عمیق
• 28. آموزش مدل‌ها
• 29. تنظیم هایپرپارامترها
• 30. ارزیابی مدل
• 31. معیارهای ارزیابی مدل‌های رگرسیون
• 32. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 33. اعتبارسنجی متقابل
• 34. استقرار مدل
• 35. استقرار مدل به عنوان سرویس وب
• 36. مصرف سرویس مدل
• 37. نظارت بر مدل
• 38. بازآموزی مدل
• 39. کار با Azure Databricks
• 40. مقدمه‌ای بر Spark
• 41. استفاده از Spark در Azure Databricks
• 42. تحلیل داده‌ها با Spark MLlib
• 43. پردازش زبان طبیعی (NLP)
• 44. مفاهیم پایه NLP
• 45. تکنیک‌های NLP در Azure ML
• 46. تحلیل احساسات
• 47. دسته‌بندی متن
• 48. استخراج اطلاعات
• 49. بینایی ماشین
• 50. مفاهیم پایه بینایی ماشین
• 51. پردازش تصویر در Azure ML
• 52. تشخیص اشیاء
• 53. دسته‌بندی تصاویر
• 54. تحلیل سری‌های زمانی
• 55. مفاهیم پایه سری‌های زمانی
• 56. مدل‌سازی سری‌های زمانی در Azure ML
• 57. پیش‌بینی سری‌های زمانی
• 58. کار با Azure Stream Analytics
• 59. تحلیل داده‌های جریانی
• 60. پردازش رویدادهای بلادرنگ
• 61. حاکمیت داده‌ها در Azure ML
• 62. امنیت داده‌ها
• 63. مدیریت دسترسی
• 64. انطباق با مقررات
• 65. اخلاق در هوش مصنوعی
• 66. مسئولیت‌پذیری در هوش مصنوعی
• 67. شفافیت در هوش مصنوعی
• 68. کاربردها در صنعت
• 69. تحلیل داده در مالی
• 70. تحلیل داده در بهداشت و درمان
• 71. تحلیل داده در خرده‌فروشی
• 72. تحلیل داده در تولید
• 73. مقدمه‌ای بر یادگیری عمیق در Azure ML
• 74. شبکه‌های عصبی کانولوشنال (CNN)
• 75. شبکه‌های عصبی بازگشتی (RNN)
• 76. کاربرد CNN در تشخیص تصویر
• 77. کاربرد RNN در پردازش زبان طبیعی
• 78. مقدمه‌ای بر AutoML در Azure ML
• 79. استفاده از AutoML برای طبقه‌بندی
• 80. استفاده از AutoML برای رگرسیون
• 81. بهینه‌سازی مدل با AutoML
• 82. تفسیرپذیری مدل‌ها
• 83. تکنیک‌های تفسیرپذیری
• 84. استفاده از SHAP در Azure ML
• 85. استفاده از LIME در Azure ML
• 86. مدیریت چرخه عمر مدل (MLOps)
• 87. مبانی MLOps
• 88. ابزارهای MLOps در Azure
• 89. خودکارسازی فرآیندهای ML
• 90. نظارت و نگهداری مدل‌ها
• 91. بهبود مستمر مدل‌ها
• 92. مقدمه‌ای بر Azure Cognitive Services
• 93. خدمات پردازش زبان
• 94. خدمات بینایی ماشین
• 95. خدمات تشخیص گفتار
• 96. خدمات ترجمه
• 97. کاربرد Azure Cognitive Services در تحلیل داده
• 98. جمع‌بندی و مسیرهای آینده