کتاب صوتی ابزارهای متن‌باز تشخیص انحراف مدل: مقایسه و انتخاب

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارهای متن‌باز تشخیص انحراف مدل: مقایسه و انتخاب

موضوع کلی: توسعه برنامه‌های وب پیشرفته

موضوع میانی: Machine learning model drift detection techniques and tools implementation and interpretation

📋 سرفصل‌های دوره

• 1. آشنایی با مفهوم انحراف مدل
• 2. اهمیت تشخیص انحراف مدل در یادگیری ماشین
• 3. انواع انحراف مدل و علل ایجاد آن‌ها
• 4. انحراف داده و تأثیر آن بر عملکرد مدل
• 5. انحراف الگوریتم و روش‌های مقابله با آن
• 6. انحراف پیش‌بینی و تحلیل علل آن
• 7. مفهوم تغییر توزیع داده‌ها
• 8. روش‌های تشخیص انحراف داده‌ها
• 9. آزمون‌های آماری برای تشخیص تغییر توزیع
• 10. استفاده از نمودارهای بصری برای تشخیص انحراف
• 11. ابزارهای متن‌باز برای تشخیص انحراف داده‌ها
• 12. بررسی کتابخانه Alibi Detect
• 13. نصب و راه‌اندازی Alibi Detect در پایتون
• 14. آشنایی با ماژول‌های مختلف Alibi Detect
• 15. استفاده از ماژول DriftDetector برای تشخیص انحراف
• 16. تنظیم پارامترهای DriftDetector
• 17. بررسی ماژول AdversarialDetector
• 18. استفاده از AdversarialDetector برای تشخیص داده‌های پرت
• 19. تنظیم پارامترهای AdversarialDetector
• 20. بررسی ماژول OutlierDetector
• 21. استفاده از OutlierDetector برای شناسایی موارد نامتعارف
• 22. مقایسه DriftDetector و AdversarialDetector
• 23. بررسی کتابخانه Evidently AI
• 24. نصب و راه‌اندازی Evidently AI
• 25. آشنایی با داشبوردهای Evidently AI
• 26. استفاده از Evidently AI برای ارزیابی عملکرد مدل
• 27. مقایسه Evidently AI و Alibi Detect
• 28. بررسی کتابخانه NannyML
• 29. نصب و راه‌اندازی NannyML
• 30. استفاده از NannyML برای مانیتورینگ مدل
• 31. تنظیم آستانه‌های هشدار در NannyML
• 32. بررسی کتابخانه Fiddler
• 33. نصب و راه‌اندازی Fiddler
• 34. استفاده از Fiddler برای تحلیل انحراف داده‌ها
• 35. مقایسه Fiddler با سایر ابزارها
• 36. انتخاب ابزار مناسب بر اساس نوع مدل
• 37. انتخاب ابزار مناسب بر اساس حجم داده‌ها
• 38. انتخاب ابزار مناسب بر اساس منابع محاسباتی
• 39. نوشتن گزارش تشخیص انحراف مدل
• 40. بهینه‌سازی پارامترهای ابزارها برای دقت بیشتر
• 41. بررسی نمونه‌های واقعی تشخیص انحراف مدل
• 42. استراتژی‌های اصلاح انحراف مدل
• 43. آموزش مجدد مدل با داده‌های جدید
• 44. استفاده از تکنیک‌های انتقال یادگیری
• 45. تطبیق مدل با داده‌های جدید