اکسپرس 24
کتاب تحلیل عملکرد مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate)

کتاب تحلیل عملکرد مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate)

تگ‌ها: AWS AWS ML Engineer ارزیابی مدل بهینه سازی مدل تحلیل عملکرد مدل مدل یادگیری ماشین مهندسی یادگیری ماشین یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل عملکرد مدل‌های یادگیری ماشین در AWS (AWS ML Engineer Associate)

موضوع کلی: مهندسی و عملیات یادگیری ماشین

موضوع میانی: ارزیابی و بهینه‌سازی عملکرد مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مهندسی یادگیری ماشین در AWS
  • 2. مبانی ارزیابی مدل‌های یادگیری ماشین
  • 3. معیارهای ارزیابی برای مسائل طبقه‌بندی
  • 4. دقت (Accuracy) در طبقه‌بندی
  • 5. دقت و بازیابی (Precision and Recall)
  • 6. امتیاز F1 (F1 Score)
  • 7. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 8. منحنی ROC و سطح زیر منحنی (AUC)
  • 9. معیارهای ارزیابی برای مسائل رگرسیون
  • 10. خطای میانگین مربعات (MSE)
  • 11. ریشه خطای میانگین مربعات (RMSE)
  • 12. خطای میانگین قدر مطلق (MAE)
  • 13. نسبت خطای میانگین مربعات (MSPE)
  • 14. معیارهای ارزیابی برای خوشه‌بندی
  • 15. شاخص سیلوئت (Silhouette Score)
  • 16. شاخص دیویس-بولدین (Davies-Bouldin Index)
  • 17. معیارهای ارزیابی برای مدل‌های تولیدی
  • 18. مقایسه معیارهای ارزیابی در AWS SageMaker
  • 19. انتخاب معیارهای مناسب بر اساس مسئله
  • 20. ارزیابی مدل‌های پیش‌بینی سری زمانی
  • 21. معیارهای ارزیابی برای مدل‌های پردازش زبان طبیعی
  • 22. ارزیابی مدل‌های بینایی ماشین
  • 23. مقدمه‌ای بر بهینه‌سازی مدل‌ها
  • 24. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 25. جستجوی شبکه‌ای (Grid Search)
  • 26. جستجوی تصادفی (Random Search)
  • 27. بهینه‌سازی بیزی (Bayesian Optimization)
  • 28. تنظیم ابرپارامترها در AWS SageMaker
  • 29. یادگیری انتقالی (Transfer Learning)
  • 30. تنظیم دقیق مدل‌های یادگیری انتقالی
  • 31. مقدمه‌ای بر کاهش ابعاد
  • 32. تحلیل مولفه‌های اصلی (PCA)
  • 33. تجزیه مقادیر منفرد (SVD)
  • 34. کاهش ابعاد در AWS SageMaker
  • 35. انتخاب ویژگی (Feature Selection)
  • 36. روش‌های مبتنی بر فیلتر (Filter Methods)
  • 37. روش‌های مبتنی بر لفاف (Wrapper Methods)
  • 38. روش‌های مبتنی بر جاسازی (Embedded Methods)
  • 39. انتخاب ویژگی در AWS SageMaker
  • 40. مهندسی ویژگی (Feature Engineering)
  • 41. تولید ویژگی‌های جدید
  • 42. تبدیل ویژگی‌ها
  • 43. مقیاس‌بندی ویژگی‌ها
  • 44. کدگذاری ویژگی‌های دسته‌ای
  • 45. مهندسی ویژگی در AWS SageMaker
  • 46. مدیریت داده‌های نامتوازن (Imbalanced Data)
  • 47. تکنیک‌های نمونه‌برداری (Sampling Techniques)
  • 48. SMOTE و انواع آن
  • 49. ارزیابی مدل‌ها با داده‌های نامتوازن
  • 50. مدیریت داده‌های نامتوازن در AWS SageMaker
  • 51. تفسیرپذیری مدل (Model Interpretability)
  • 52. مقدمه‌ای بر تفسیرپذیری
  • 53. تکنیک‌های تفسیرپذیری محلی (Local Interpretability)
  • 54. LIME و SHAP
  • 55. تفسیرپذیری سراسری (Global Interpretability)
  • 56. تکنیک‌های مبتنی بر اهمیت ویژگی
  • 57. تفسیرپذیری مدل در AWS SageMaker
  • 58. عیب‌یابی مدل‌های یادگیری ماشین
  • 59. تشخیص بیش‌برازش (Overfitting)
  • 60. تشخیص کم‌برازش (Underfitting)
  • 61. روش‌های تشخیص و رفع بیش‌برازش
  • 62. روش‌های تشخیص و رفع کم‌برازش
  • 63. عیب‌یابی مدل در AWS SageMaker
  • 64. مدیریت چرخه حیات مدل (MLOps)
  • 65. مقدمه‌ای بر MLOps
  • 66. استقرار مدل (Model Deployment)
  • 67. مانیتورینگ عملکرد مدل در تولید
  • 68. بازآموزی مدل (Model Retraining)
  • 69. اتوماسیون فرآیندهای MLOps
  • 70. MLOps در AWS SageMaker
  • 71. ارزیابی و بهینه‌سازی مدل‌های طبقه‌بندی پیشرفته
  • 72. ارزیابی مدل‌های تشخیص ناهنجاری
  • 73. معیارهای ارزیابی برای داده‌های پرت
  • 74. ارزیابی مدل‌های تشخیص تقلب
  • 75. بهینه‌سازی مدل‌ها برای تشخیص ناهنجاری
  • 76. ارزیابی و بهینه‌سازی مدل‌های رگرسیون پیشرفته
  • 77. پیش‌بینی سری‌های زمانی پیچیده
  • 78. ارزیابی مدل‌های پیش‌بینی تقاضا
  • 79. بهینه‌سازی مدل‌های رگرسیون برای دقت بالا
  • 80. ارزیابی و بهینه‌سازی مدل‌های خوشه‌بندی پیشرفته
  • 81. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
  • 82. خوشه‌بندی مبتنی بر چگالی (Density-Based Clustering)
  • 83. ارزیابی خوشه‌بندی در داده‌های بزرگ
  • 84. بهینه‌سازی پارامترهای خوشه‌بندی
  • 85. ارزیابی و بهینه‌سازی مدل‌های یادگیری تقویتی
  • 86. مقدمه‌ای بر یادگیری تقویتی
  • 87. معیارهای ارزیابی در یادگیری تقویتی
  • 88. بهینه‌سازی سیاست‌ها در یادگیری تقویتی
  • 89. ارزیابی و بهینه‌سازی مدل‌های یادگیری عمیق
  • 90. ارزیابی شبکه‌های عصبی کانولوشنی (CNN)
  • 91. ارزیابی شبکه‌های عصبی بازگشتی (RNN)
  • 92. تنظیم ابرپارامترها در شبکه‌های عصبی عمیق
  • 93. بهینه‌سازی معماری مدل‌های عمیق
  • 94. ملاحظات امنیتی در ارزیابی و بهینه‌سازی مدل
  • 95. حفظ حریم خصوصی داده‌ها در ارزیابی
  • 96. حفاظت از مدل در برابر حملات
  • 97. ارزیابی مدل‌ها در چارچوب قوانین ایران
  • 98. بهینه‌سازی مدل‌ها با رعایت مقررات
  • 99. بررسی موارد عملیاتی ارزیابی و بهینه‌سازی مدل
  • 100. مطالعه موردی ۱: ارزیابی مدل پیش‌بینی مشتری

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.