کتاب صوتی یادگیری ماشین و هوش مصنوعی بدون نیاز به کدنویسی با AWS (همراه با تمرین عملی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین و هوش مصنوعی بدون نیاز به کدنویسی با AWS (همراه با تمرین عملی)

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: توسعه با استفاده از سرویس‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. یادگیری نظارت‌شده در مقابل یادگیری بدون نظارت
• 4. انتخاب الگوریتم مناسب برای مسئله
• 5. آشنایی با سرویس‌های ابری AWS
• 6. معرفی Amazon SageMaker
• 7. ایجاد یک حساب کاربری AWS و پیکربندی آن
• 8. آشنایی با محیط SageMaker Studio
• 9. بارگذاری و آماده‌سازی داده‌ها در SageMaker
• 10. پاکسازی و پیش‌پردازش داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. آموزش مدل‌های یادگیری ماشین در SageMaker
• 13. استفاده از الگوریتم‌های از پیش ساخته‌شده
• 14. ارزیابی و اعتبارسنجی مدل‌ها
• 15. بهینه‌سازی هایپرپارامترها
• 16. استقرار مدل‌های آموزش‌دیده در SageMaker
• 17. ایجاد Endpoint برای دسترسی به مدل
• 18. نظارت بر عملکرد مدل در زمان واقعی
• 19. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 20. شبکه‌های عصبی (Neural Networks)
• 21. استفاده از Amazon SageMaker JumpStart
• 22. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 23. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 24. استفاده از پردازنده‌های گرافیکی (GPUs) برای آموزش مدل
• 25. مفاهیم کلیدی مدل‌های زبانی بزرگ (LLMs)
• 26. معرفی Amazon Bedrock
• 27. استفاده از مدل‌های LLM در Bedrock
• 28. تولید متن با استفاده از LLMs
• 29. خلاصه‌سازی متن با استفاده از LLMs
• 30. ترجمه زبان با استفاده از LLMs
• 31. آشنایی با Retrieval Augmented Generation (RAG)
• 32. پیاده‌سازی RAG با استفاده از AWS
• 33. ساخت یک چت‌بات با استفاده از LLMs
• 34. استفاده از Amazon Lex برای ساخت چت‌بات
• 35. یکپارچه‌سازی چت‌بات با کانال‌های مختلف
• 36. مقدمه‌ای بر بینایی کامپیوتر (Computer Vision)
• 37. تشخیص اشیا با استفاده از SageMaker
• 38. طبقه‌بندی تصاویر با استفاده از SageMaker
• 39. شناسایی چهره با استفاده از Amazon Rekognition
• 40. تحلیل ویدیو با استفاده از Amazon Rekognition
• 41. مفاهیم کلیدی پردازش زبان طبیعی (NLP)
• 42. تحلیل احساسات (Sentiment Analysis)
• 43. استخراج موجودیت‌ها (Entity Extraction)
• 44. خوشه‌بندی متن (Text Clustering)
• 45. مدل‌سازی موضوعی (Topic Modeling)
• 46. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 47. استفاده از Amazon Forecast
• 48. تشخیص ناهنجاری (Anomaly Detection)
• 49. بهبود امنیت مدل‌های یادگیری ماشین
• 50. حفاظت از داده‌ها در AWS
• 51. انطباق با مقررات حفظ حریم خصوصی
• 52. استفاده از AutoML در SageMaker
• 53. مفاهیم کلیدی MLOps
• 54. خودکارسازی فرایند آموزش و استقرار مدل
• 55. نظارت و مدیریت چرخه حیات مدل
• 56. آشنایی با AWS CloudFormation
• 57. استفاده از Infrastructure as Code (IaC)
• 58. بهینه‌سازی هزینه‌ها در AWS
• 59. انتخاب نوع Instance مناسب
• 60. استفاده از Spot Instances
• 61. مقایسه سرویس‌های مختلف AWS برای یادگیری ماشین
• 62. بهترین روش‌ها برای توسعه برنامه‌های یادگیری ماشین
• 63. آشنایی با ابزارهای Debugging در SageMaker
• 64. عیب‌یابی مشکلات آموزش مدل
• 65. عیب‌یابی مشکلات استقرار مدل
• 66. آشنایی با APIهای AWS برای یادگیری ماشین
• 67. یکپارچه‌سازی مدل‌های یادگیری ماشین با برنامه‌های کاربردی
• 68. استفاده از AWS Lambda برای اجرای مدل‌ها
• 69. استفاده از Amazon API Gateway برای دسترسی به مدل‌ها
• 70. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 71. آشنایی با الگوریتم‌های یادگیری تقویتی
• 72. پیاده‌سازی یادگیری تقویتی در AWS
• 73. کاربرد یادگیری ماشین در حوزه‌های مختلف
• 74. یادگیری ماشین در حوزه سلامت
• 75. یادگیری ماشین در حوزه مالی
• 76. یادگیری ماشین در حوزه بازاریابی
• 77. یادگیری ماشین در حوزه تولید
• 78. آشنایی با ابزارهای visualization داده در AWS
• 79. استفاده از Amazon QuickSight
• 80. ساخت داشبوردهای تعاملی
• 81. مفاهیم کلیدی بیزینس اینتلیجنس (BI)
• 82. استفاده از یادگیری ماشین برای بهبود تصمیم‌گیری
• 83. آینده یادگیری ماشین و هوش مصنوعی
• 84. مفاهیم کلیدی هوش مصنوعی مسئولانه (Responsible AI)
• 85. جلوگیری از سوگیری در مدل‌های یادگیری ماشین
• 86. تفسیرپذیری مدل‌های یادگیری ماشین
• 87. آشنایی با AWS Marketplace برای یادگیری ماشین