کتاب صوتی اصول و کاربردهای یادگیری ماشین با استفاده از Databricks

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و کاربردهای یادگیری ماشین با استفاده از Databricks

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین در پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مبانی اکوسیستم داده و هوش مصنوعی در دیتابریکس
• 2. آشنایی با محیط کاری و نوت‌بوک‌های دیتابریکس
• 3. معماری دریاچه داده و مفهوم دلتا لیک
• 4. مدیریت و پردازش داده‌ها با آپاچی اسپارک
• 5. کار با کتابخانه‌های پایتون و ابزارهای یادگیری ماشین
• 6. پیش‌پردازش داده‌ها و پاک‌سازی در مقیاس بزرگ
• 7. تحلیل اکتشافی داده‌ها با استفاده از بصری‌سازی
• 8. اصول یادگیری نظارت شده و رگرسیون خطی
• 9. الگوریتم‌های طبقه‌بندی و ارزیابی مدل‌ها
• 10. استفاده از کتابخانه ام‌ال‌لیب در بستر اسپارک
• 11. کار با داده‌های متنی و پردازش زبان طبیعی
• 12. تکنیک‌های کاهش ابعاد و خوشه‌بندی
• 13. مهندسی ویژگی‌ها برای بهبود عملکرد مدل
• 14. تنظیم فراپارامترها و بهینه‌سازی مدل
• 15. استفاده از ام‌ال‌فلو برای مدیریت چرخه عمر مدل
• 16. ردیابی آزمایش‌ها و ثبت نتایج در ام‌ال‌فلو
• 17. مقایسه و انتخاب بهترین مدل‌های آموزش‌دیده
• 18. استقرار مدل‌ها به عنوان سرویس‌های ابری
• 19. نظارت بر عملکرد مدل در محیط عملیاتی
• 20. مدیریت دسترسی و امنیت داده‌ها در دیتابریکس
• 21. اصول حکمرانی داده و رعایت ضوابط قانونی
• 22. بهینه‌سازی محاسبات توزیع‌شده برای آموزش مدل
• 23. تکنیک‌های یادگیری عمیق در پلتفرم دیتابریکس
• 24. استفاده از مدل‌های پیش‌ساخته و یادگیری انتقالی
• 25. یکپارچه‌سازی مدل‌ها با خط لوله داده
• 26. مستندسازی و اشتراک‌گذاری پروژه‌های هوش مصنوعی
• 27. پیاده‌سازی سیستم‌های توصیه‌گر با اسپارک
• 28. بررسی اخلاق در هوش مصنوعی و سوگیری الگوریتم‌ها
• 29. توسعه سیستم‌های یادگیری ماشین مقیاس‌پذیر
• 30. استفاده از دیتابریکس برای تحلیل داده‌های سری زمانی
• 31. آموزش مدل‌های ترکیبی و گروهی
• 32. استفاده از ویژگی‌های پیشرفته در دلتا لایو تیبلز
• 33. مانیتورینگ کیفیت داده‌ها در خط لوله یادگیری ماشین
• 34. مدیریت نسخه‌بندی داده‌ها و مدل‌ها
• 35. کاربرد یادگیری ماشین در تحلیل داده‌های صنعتی
• 36. استفاده از پلتفرم دیتابریکس برای پروژه‌های هوش مصنوعی سازمانی