دوره جامع مهندسی یادگیری ماشین در زیرساخت‌های ابری (مبتنی بر استانداردهای AWS) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مهندسی یادگیری ماشین در زیرساخت‌های ابری (مبتنی بر استانداردهای AWS)

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و زیرساخت‌های AWS
• 2. آشنایی با سرویس‌های هوش مصنوعی در فضای ابری
• 3. مفاهیم پایه یادگیری ماشین و چرخه حیات مدل
• 4. آماده‌سازی داده‌ها و مدیریت مجموعه‌داده‌ها در S3
• 5. پاک‌سازی و پیش‌پردازش داده‌ها با استفاده از AWS Glue
• 6. مهندسی ویژگی‌ها و انتخاب داده‌های مناسب برای مدل
• 7. مبانی یادگیری نظارت‌شده و الگوریتم‌های رگرسیون
• 8. الگوریتم‌های طبقه‌بندی و ارزیابی عملکرد مدل
• 9. یادگیری بدون نظارت و خوشه‌بندی داده‌ها
• 10. معرفی محیط توسعه یکپارچه Amazon SageMaker
• 11. پیاده‌سازی مدل‌های یادگیری ماشین در نوت‌بوک‌های Jupyter
• 12. مدیریت منابع محاسباتی و بهینه‌سازی هزینه‌ها
• 13. تکنیک‌های تنظیم ابرپارامترها برای بهبود دقت مدل
• 14. استفاده از الگوریتم‌های داخلی SageMaker برای حل مسائل
• 15. بهینه‌سازی مدل‌ها و کاهش ابعاد داده‌ها
• 16. تکنیک‌های اعتبارسنجی مدل و جلوگیری از بیش‌برازش
• 17. آموزش توزیع‌شده مدل‌های بزرگ در مقیاس ابری
• 18. استفاده از خط لوله داده یا SageMaker Pipelines
• 19. استقرار مدل‌ها به عنوان سرویس‌های وب با Amazon Endpoint
• 20. مدیریت نسخه‌بندی و کنترل کیفیت مدل‌ها
• 21. نظارت بر عملکرد مدل در محیط عملیاتی
• 22. تشخیص انحراف داده‌ها و مدل در زمان اجرا
• 23. امنیت در یادگیری ماشین و محافظت از داده‌ها
• 24. مدیریت دسترسی‌ها با استفاده از AWS IAM
• 25. استفاده از سرویس‌های هوش مصنوعی آماده برای تحلیل متن
• 26. استفاده از سرویس‌های بینایی ماشین برای تحلیل تصاویر
• 27. معرفی یادگیری عمیق و شبکه‌های عصبی مصنوعی
• 28. چارچوب‌های یادگیری عمیق در AWS
• 29. استفاده از مدل‌های پیش‌آموزش‌دیده و یادگیری انتقالی
• 30. بهینه‌سازی استنتاج مدل برای محیط‌های با تاخیر کم
• 31. معرفی یادگیری تقویتی و کاربردهای آن در مهندسی
• 32. خودکارسازی فرآیندهای یادگیری ماشین با MLOps
• 33. یکپارچه‌سازی مدل‌های یادگیری ماشین با سرویس‌های داده‌ای
• 34. تحلیل و گزارش‌گیری از نتایج یادگیری ماشین
• 35. طراحی معماری مقیاس‌پذیر برای سامانه‌های هوشمند
• 36. رعایت اصول اخلاقی و حریم خصوصی در پروژه‌های هوش مصنوعی
• 37. مقیاس‌پذیری زیرساخت‌های استنتاج با استفاده از Auto Scaling
• 38. عیب‌یابی و رفع خطاهای متداول در مدل‌های ابری
• 39. ارائه نهایی و مستندسازی پروژه‌های یادگیری ماشین در سازمان