آموزش تشخیص ناهنجاری‌های هوش مصنوعی: شناسایی Outlierها در لحظه - آخرین آپدیت

دانلود Detect AI Anomalies: Real-Time Outliers

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره «تشخیص ناهنجاری‌های هوش مصنوعی: شناسایی Outlierها در لحظه» یک دوره سطح متوسط برای مهندسان MLOps و دانشمندانی داده است که مسئولیت اطمینان از پایداری و قابلیت اعتماد سیستم‌های هوش مصنوعی در محیط عملیاتی (Production) را بر عهده دارند. هشدار‌های استاتیک در مواجهه با داده‌های پویا شکست می‌خورند و سیستم‌ها را در برابر خطاهای خاموش آسیب‌پذیر می‌کنند. این دوره به شما می‌آموزد چگونه یک سیستم هشدار اولیه هوشمند بسازید که مشکلات بحرانی را پیش از تشدید شناسایی کند. شما یاد خواهید گرفت که روش‌های آماری مانند Z-score و میانگین متحرک موزون نمایی (EWMA) را روی داده‌های جریانی (Streaming Data) برای شناسایی Outlierهای ناگهانی با آستانه‌های پویا پیاده‌سازی کنید. سپس با فراتر رفتن از آمارهای ساده، از مدل‌های یادگیری بدون نظارت مانند Isolation Forest برای کشف ناهنجاری‌های پیچیده و ظریفی که سایر روش‌ها نادیده می‌گیرند، استفاده خواهید کرد. از طریق آزمایشگاه‌های عملی، مهارت حیاتی تحلیل زمینه‌ای (Contextual Analysis) را فرا می‌گیرید تا بتوانید تفاوت بین یک شکست واقعی سیستم و تغییرات بی‌خطر داده‌ها (Data Drift) را تشخیص دهید. در نهایت، پارامترهای مدل را برای به حداقل رساندن مثبت‌های کاذب (False Positives) و کاهش خستگی ناشی از هشدارهای زیاد بهینه‌سازی کرده و خط لوله‌های نظارتی مستحکمی را می‌سازید که پایه و اساس MLOps مدرن هستند.

سرفصل ها و درس ها

تشخیص آماری ناهنجاری‌ها Statistical Anomaly Detection

مبانی آماری برای نظارت تطبیقی هوش مصنوعی Statistical Foundations for Adaptive AI Monitoring
پیاده‌سازی EWMA در جریان داده‌ها Implementing EWMA in a Data Stream

تحلیل زمینه‌ای ناهنجاری‌ها Contextual Anomaly Analysis

تعریف انواع ناهنجاری‌ها و نتایج هشدارها Defining Anomaly Types and Alert Outcomes
نحوه تحلیل خروجی‌های Isolation Forest How to Analyze Isolation Forest Outputs