فلش‌کارت‌های آموزشی یادگیری ماشین بدون کدنویسی: طراحی و پیاده‌سازی مدل با Azure ML Studio

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین بدون کدنویسی: طراحی و پیاده‌سازی مدل با Azure ML Studio

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: کاربرد ابزارهای بصری در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین بدون کدنویسی
• 2. آشنایی با پلتفرم Azure ML Studio
• 3. معرفی رابط کاربری Azure ML Studio
• 4. ایجاد فضای کاری (Workspace) در Azure ML Studio
• 5. وارد کردن داده‌ها به Azure ML Studio
• 6. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 7. مدیریت داده‌های گمشده
• 8. شناسایی و حذف داده‌های پرت
• 9. تبدیل ویژگی‌های دسته‌ای به عددی
• 10. نرمال‌سازی و استانداردسازی داده‌ها
• 11. انتخاب ویژگی‌های مهم
• 12. معرفی الگوریتم‌های یادگیری ماشین
• 13. رگرسیون خطی در Azure ML Studio
• 14. رگرسیون لجستیک در Azure ML Studio
• 15. درخت تصمیم‌گیری در Azure ML Studio
• 16. جنگل تصادفی (Random Forest) در Azure ML Studio
• 17. ماشین بردار پشتیبان (SVM) در Azure ML Studio
• 18. خوشه‌بندی K-Means در Azure ML Studio
• 19. ارزیابی مدل‌های یادگیری ماشین
• 20. متریک‌های ارزیابی رگرسیون
• 21. متریک‌های ارزیابی طبقه‌بندی
• 22. اعتبارسنجی متقابل (Cross-Validation)
• 23. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 24. بهینه‌سازی مدل با استفاده از جستجوی تصادفی
• 25. بهینه‌سازی مدل با استفاده از جستجوی شبکه‌ای
• 26. مفاهیم پایه‌ای مهندسی ویژگی
• 27. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 28. انتخاب ویژگی با استفاده از روش‌های آماری
• 29. استفاده از دگرگونی‌های ریاضی برای بهبود عملکرد مدل
• 30. مدل‌سازی و پیش‌بینی سری‌های زمانی
• 31. پیش‌بینی تقاضا با استفاده از Azure ML Studio
• 32. تحلیل روند و فصلی بودن در سری‌های زمانی
• 33. بررسی و رفع مشکل بیش‌برازش (Overfitting)
• 34. بررسی و رفع مشکل کم‌برازش (Underfitting)
• 35. استفاده از تکنیک‌های کاهش ابعاد
• 36. تحلیل مولفه‌های اصلی (PCA)
• 37. انتخاب ویژگی بر اساس اهمیت
• 38. استقرار (Deployment) مدل در Azure ML Studio
• 39. نظارت بر عملکرد مدل پس از استقرار
• 40. مفاهیم پایه‌ای یادگیری تقویتی
• 41. معرفی محیط‌های شبیه‌سازی در یادگیری تقویتی
• 42. کاربرد یادگیری ماشین در تشخیص تقلب
• 43. کاربرد یادگیری ماشین در پیش‌بینی نرخ ریزش مشتری
• 44. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
• 45. کاربرد یادگیری ماشین در پردازش زبان طبیعی
• 46. تحلیل احساسات با استفاده از Azure ML Studio
• 47. خلاصه‌سازی متن با استفاده از Azure ML Studio
• 48. کاربرد یادگیری ماشین در بینایی کامپیوتر
• 49. تشخیص اشیاء در تصاویر با استفاده از Azure ML Studio
• 50. طبقه‌بندی تصاویر با استفاده از Azure ML Studio
• 51. آشنایی با AutoML در Azure ML Studio
• 52. استفاده از AutoML برای انتخاب بهترین مدل
• 53. بهبود عملکرد مدل با استفاده از AutoML
• 54. نگهداری و بروزرسانی مدل‌های یادگیری ماشین
• 55. مدیریت نسخه‌های مدل
• 56. مستندسازی فرآیند یادگیری ماشین
• 57. بهترین شیوه‌ها برای یادگیری ماشین بدون کدنویسی
• 58. معرفی منابع آموزشی تکمیلی
• 59. حل مسائل عملی با استفاده از Azure ML Studio