کتاب صوتی مهندسی مدل‌های یادگیری ماشین در AWS: آموزش و بهینه‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی مدل‌های یادگیری ماشین در AWS: آموزش و بهینه‌سازی

موضوع کلی: مهندسی نرم‌افزار و توسعهٔ سیستم‌های هوشمند

موضوع میانی: یادگیری ماشین و هوش مصنوعی در عمل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن در مهندسی نرم‌افزار
• 2. آشنایی با مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مروری بر الگوریتم‌های یادگیری نظارت شده
• 5. رگرسیون خطی و کاربردهای آن
• 6. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 7. ماشین‌های بردار پشتیبان (SVM)
• 8. درختان تصمیم و جنگل‌های تصادفی
• 9. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 10. خوشه‌بندی K-Means
• 11. تحلیل مولفه‌های اصلی (PCA) برای کاهش ابعاد
• 12. شبکه‌های عصبی مصنوعی: اصول اولیه
• 13. معماری شبکه عصبی پرسپترون چند لایه (MLP)
• 14. تابع فعال‌سازی در شبکه‌های عصبی
• 15. تابع هزینه و بهینه‌سازی در شبکه‌های عصبی
• 16. گرادیان کاهشی و انواع آن
• 17. مقدمه‌ای بر AWS و خدمات آن برای یادگیری ماشین
• 18. آشنایی با Amazon SageMaker
• 19. ساخت یک محیط توسعه در SageMaker
• 20. آماده‌سازی داده‌ها برای آموزش مدل
• 21. پاکسازی و پیش‌پردازش داده‌ها
• 22. مهندسی ویژگی و انتخاب ویژگی
• 23. مقدمه‌ای بر آموزش مدل‌های یادگیری ماشین
• 24. انتخاب الگوریتم مناسب برای مسئله
• 25. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 26. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 27. آموزش مدل رگرسیون خطی در SageMaker
• 28. آموزش مدل رگرسیون لجستیک در SageMaker
• 29. آموزش مدل SVM در SageMaker
• 30. آموزش درخت تصمیم در SageMaker
• 31. آموزش جنگل تصادفی در SageMaker
• 32. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 33. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 34. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 35. مقدمه‌ای بر مفاهیم یادگیری تقویتی
• 36. عناصر اصلی یادگیری تقویتی: عامل، محیط، پاداش
• 37. الگوریتم‌های یادگیری تقویتی پایه
• 38. کاربرد یادگیری تقویتی در مسائل بهینه‌سازی
• 39. مقدمه‌ای بر ارزیابی مدل‌های یادگیری ماشین
• 40. معیارهای ارزیابی برای مسائل رگرسیون
• 41. میانگین مربعات خطا (MSE)
• 42. ریشه میانگین مربعات خطا (RMSE)
• 43. میانگین قدر مطلق خطا (MAE)
• 44. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 45. دقت (Accuracy)
• 46. صحت (Precision) و بازیابی (Recall)
• 47. امتیاز F1
• 48. ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. منحنی ROC و سطح زیر منحنی (AUC)
• 50. مفاهیم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 51. روش‌های جلوگیری از بیش‌برازش
• 52. تنظیم‌گری (Regularization): L1 و L2
• 53. ترک (Dropout) در شبکه‌های عصبی
• 54. افزایش داده (Data Augmentation)
• 55. اعتبارسنجی متقابل (Cross-Validation)
• 56. تکنیک‌های بهبود عملکرد مدل
• 57. یادگیری انتقالی (Transfer Learning)
• 58. استفاده از مدل‌های از پیش آموزش دیده
• 59. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 60. کاربرد مدل‌های از پیش آموزش دیده در SageMaker
• 61. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 62. کاربردهای LLMs در مهندسی نرم‌افزار
• 63. مقدمه‌ای بر مفاهیم پردازش زبان طبیعی (NLP)
• 64. مدل‌سازی زبان
• 65. تحلیل احساسات
• 66. طبقه‌بندی متن
• 67. استخراج اطلاعات
• 68. مقدمه‌ای بر مدل‌های تولید متن
• 69. آموزش مدل‌های تولید متن در SageMaker
• 70. تنظیم مدل‌های تولید متن برای وظایف خاص
• 71. کاربردهای مدل‌های تولید متن در اتوماسیون
• 72. مقدمه‌ای بر بهینه‌سازی هزینه در AWS
• 73. استراتژی‌های کاهش هزینه در SageMaker
• 74. انتخاب نمونه‌های محاسباتی مناسب
• 75. مدیریت چرخه عمر مدل
• 76. مقدمه‌ای بر مفاهیم MLOps
• 77. اهمیت MLOps در توسعه سیستم‌های هوشمند
• 78. مراحل کلیدی در چرخه عمر MLOps
• 79. خودکارسازی آموزش مدل
• 80. خودکارسازی استقرار مدل
• 81. پایش عملکرد مدل در محیط عملیاتی
• 82. بازآموزی مدل بر اساس داده‌های جدید
• 83. استفاده از SageMaker Pipelines برای MLOps
• 84. مقدمه‌ای بر امنیت در یادگیری ماشین
• 85. حفاظت از داده‌های آموزشی
• 86. حفاظت از مدل‌های آموزش دیده
• 87. امنیت در زمان استقرار مدل
• 88. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 89. سوگیری در داده‌ها و مدل‌ها
• 90. عدالت و شفافیت در سیستم‌های هوشمند
• 91. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 92. کاربردهای هوش مصنوعی در کسب و کارهای ایرانی
• 93. ملاحظات فرهنگی و بومی در پیاده‌سازی هوش مصنوعی
• 94. مطالعات موردی موفق در ایران
• 95. آینده یادگیری ماشین و هوش مصنوعی