کتاب یادگیری ماشین با Google Cloud AI Platform / Vertex AI با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

یادگیری ماشین با Google Cloud AI Platform / Vertex AI - شاهراه هوش مصنوعی دوره جامع: یادگیری ماشین با Google Cloud AI Platform / Vertex AI شاهراه شما به سوی تسلط بر هوش مصنوعی ابری و انقلاب یادگیری ما...

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با Google Cloud AI Platform / Vertex AI

موضوع کلی: برنامه نویسی

موضوع میانی: رایانش ابری (Cloud Computing)

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری ماشین
  • 2. مقدمه ای بر هوش مصنوعی
  • 3. مقدمه ای بر یادگیری ماشین
  • 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 5. مبانی یادگیری عمیق
  • 6. شبکه های عصبی چیستند
  • 7. مقدمه ای بر Google Cloud Platform (GCP)
  • 8. مفاهیم اساسی رایانش ابری
  • 9. معماری Google Cloud Platform
  • 10. خدمات اصلی GCP: Compute Engine, Cloud Storage, BigQuery
  • 11. مقدمه ای بر Google Cloud AI Platform / Vertex AI
  • 12. چرا از Vertex AI استفاده کنیم؟
  • 13. مزایای استفاده از پلتفرم ابری برای ML
  • 14. نصب و پیکربندی Google Cloud SDK
  • 15. تنظیم حساب Google Cloud
  • 16. ایجاد پروژه GCP
  • 17. مدیریت اعتبارنامه ها (Credentials)
  • 18. مبانی خط فرمان GCP (gcloud CLI)
  • 19. کار با Cloud Shell
  • 20. مقدمه ای بر Jupyter Notebooks
  • 21. استفاده از Jupyter Notebooks در GCP
  • 22. مقدمه ای بر Dataflow
  • 23. پردازش داده های بزرگ با Dataflow
  • 24. مقدمه ای بر Dataproc
  • 25. پردازش داده ها با Apache Spark و Hadoop در Dataproc
  • 26. مقدمه ای بر BigQuery ML
  • 27. استفاده از BigQuery ML برای مدل سازی
  • 28. آماده سازی داده ها برای یادگیری ماشین
  • 29. جمع آوری داده ها
  • 30. پاکسازی داده ها
  • 31. مهندسی ویژگی (Feature Engineering)
  • 32. کشف و تحلیل داده ها (Exploratory Data Analysis - EDA)
  • 33. تجسم داده ها (Data Visualization)
  • 34. تقسیم داده ها: آموزش، اعتبارسنجی، تست
  • 35. انتخاب مدل های یادگیری ماشین
  • 36. رگرسیون خطی
  • 37. رگرسیون لجستیک
  • 38. درختان تصمیم (Decision Trees)
  • 39. جنگل های تصادفی (Random Forests)
  • 40. ماشین های بردار پشتیبان (Support Vector Machines - SVM)
  • 41. مدل های خوشه بندی (Clustering Models): K-Means
  • 42. کاهش ابعاد: PCA
  • 43. مقدمه ای بر شبکه های عصبی عمیق
  • 44. لایه های شبکه عصبی: Dense, Convolutional, Recurrent
  • 45. توابع فعال سازی (Activation Functions)
  • 46. توابع هزینه (Loss Functions)
  • 47. بهینه سازها (Optimizers): SGD, Adam
  • 48. قوانین تنظیم (Regularization Techniques)
  • 49. مبانی آموزش مدل های عمیق
  • 50. مدیریت مجموعه داده ها در Vertex AI Datasets
  • 51. ایجاد و مدیریت مجموعه داده های عددی
  • 52. ایجاد و مدیریت مجموعه داده های تصویری
  • 53. ایجاد و مدیریت مجموعه داده های متنی
  • 54. ایجاد و مدیریت مجموعه داده های ویدئویی
  • 55. آموزش مدل های سفارشی در Vertex AI Training
  • 56. استفاده از Custom Containers برای آموزش
  • 57. تنظیم منابع محاسباتی برای آموزش
  • 58. مدیریت پارامترهای آموزش
  • 59. نظارت بر فرآیند آموزش
  • 60. استفاده از TensorBoard برای تجسم آموزش
  • 61. تنظیم پارامترهای هایپرپارامتر (Hyperparameter Tuning)
  • 62. جستجوی شبکه‌ای (Grid Search)
  • 63. جستجوی تصادفی (Random Search)
  • 64. بهینه سازی بیزی (Bayesian Optimization)
  • 65. تنظیم خودکار هایپرپارامترها در Vertex AI
  • 66. استفاده از الگوریتم های آماده در Vertex AI (AutoML)
  • 67. AutoML برای تصاویر
  • 68. AutoML برای متن
  • 69. AutoML برای داده های جدولی (Tabular Data)
  • 70. AutoML برای ویدئو
  • 71. ارزیابی و انتخاب مدل
  • 72. متریک های ارزیابی رگرسیون: MSE, RMSE, MAE, R-squared
  • 73. متریک های ارزیابی طبقه بندی: Accuracy, Precision, Recall, F1-score, AUC-ROC
  • 74. ماتریس درهم ریختگی (Confusion Matrix)
  • 75. اعتبارسنجی متقابل (Cross-Validation)
  • 76. انتخاب بهترین مدل بر اساس متریک ها
  • 77. استقرار مدل های یادگیری ماشین در Vertex AI Endpoints
  • 78. استقرار مدل های سفارشی
  • 79. استقرار مدل های AutoML
  • 80. نظارت بر عملکرد Endpoints
  • 81. مقیاس بندی Endpoints
  • 82. مدیریت نسخه مدل
  • 83. استفاده از Vertex AI Model Registry
  • 84. مدیریت چرخه عمر مدل
  • 85. استفاده از Vertex AI Pipelines
  • 86. طراحی و ساخت پایپلاین های ML
  • 87. اجرای پایپلاین ها
  • 88. نظارت بر پایپلاین ها
  • 89. اتوماسیون گردش کار ML
  • 90. یکپارچگی پایپلاین با سایر خدمات GCP
  • 91. مباحث پیشرفته در Vertex AI
  • 92. یادگیری انتقال (Transfer Learning)
  • 93. شبکه های مولد تخاصمی (Generative Adversarial Networks - GANs)
  • 94. پردازش زبان طبیعی (NLP) با Vertex AI
  • 95. شناخت موجودیت نام گذاری شده (Named Entity Recognition - NER)
  • 96. تحلیل احساسات (Sentiment Analysis)
  • 97. ترجمه ماشینی (Machine Translation)
  • 98. تولید متن (Text Generation)
  • 99. بینایی ماشین (Computer Vision) با Vertex AI
  • 100. تشخیص اشیاء (Object Detection)
تگ‌ها: Cloud Computing Google Cloud Google Cloud AI Platform Machine Learning Vertex AI Vertex AI چیست آموزش هوش مصنوعی آموزش یادگیری ماشین برنامه نویسی برنامه نویسی ابری پلتفرم هوش مصنوعی گوگل دوره یادگیری ماشین رایانش ابری رایانش ابری گوگل هوش مصنوعی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.