آموزش مدیریت محصول یادگیری ماشین - از استراتژی تا استقرار - آخرین آپدیت

شروع کار با یادگیری ماشین Getting Started with Machine Learning

• مرور کلی دوره Course Overview

• درک نقش مدیر محصول یادگیری ماشین Understanding the Role of an ML Product Manager

• تعریف یادگیری ماشین و مفاهیم اصلی آن Defining Machine Learning and Its Core Concepts

• آشنایی با مدرس Get to Know Your Instructor

• ظهور یادگیری ماشین در صنعت The Rise of Machine Learning in Industry

• تمرین ۱: شناسایی محصول برای ادغام ML Exercise #1: Identify Your Product for ML Integration

• الگوریتم‌های یادگیری ماشین چگونه یاد می‌گیرند How Machine Learning Algorithms Learn

• یادگیری نظارت شده، نظارت نشده و یادگیری تقویتی Supervised, Unsupervised, and Reinforcement Learning

• تمرین ۲: طبقه‌بندی نوع یادگیری ماشین Exercise #2: Classify the Type of ML

• مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Introduction to Deep Learning and Neural Networks

• کاربردهای واقعی یادگیری ماشین Real-World Applications of Machine Learning

• اصطلاحات کلیدی که هر مدیر محصول ML باید بداند Key Terminology Every ML Product Manager Should Know

• تمرین ۳: به‌کارگیری اصطلاحات ML در متن Exercise #3: Apply Machine Learning Terminology in Context

معیارهای تصمیم‌گیری برای پیاده‌سازی یادگیری ماشین Decision Criteria for Machine Learning Implementation

• درک چرخه رشد هوش مصنوعی (AI Flywheel) Understanding the AI Flywheel

• اشتباهات رایج در توسعه محصول ML Common Pitfalls in ML Product Development

• چه زمانی یادگیری ماشین ابزار مناسبی است When Machine Learning Is the Right Tool

• چه زمانی یادگیری ماشین پاسخ مناسبی نیست When Machine Learning Is Not the Answer

• تمرین ۴: آیا مدل شما به تفسیرپذیری نیاز دارد؟ Exercise #4: Do You Need Interpretability in Your Model?

• ارزیابی نیازهای داده‌ای برای پیاده‌سازی ML Evaluating Data Requirements for ML Implementation

• تمرین ۵: تصمیم‌گیری نهایی: ML یا خیر؟ Exercise #5: Making the Call: ML or Not?

مدیریت پروژه‌های یادگیری ماشین Managing Machine Learning Projects

• نقش منحصر به فرد مدیر محصول ML The Unique Role of an ML Product Manager

• ساختاربندی یک تیم ML موثر Structuring an Effective ML Team

• نقش‌های اصلی در یک پروژه یادگیری ماشین Core Roles in a Machine Learning Project

• درک چرخه عمر پروژه ML Understanding the ML Project Lifecycle

• تمرین ۶: توسعه و اعتبارسنجی فرضیه شما Exercise #6: Develop and Validate Your Hypothesis

• تمرین ۷: چارچوب‌بندی چالش یادگیری ماشین Exercise #7: Frame Your Machine Learning Challenge

• تمرین ۸: تعریف بیان مسئله ML Exercise #8: Define the ML Problem Statement

جمع‌آوری و آماده‌سازی داده‌ها برای یادگیری ماشین Data Acquisition and Preparation for Machine Learning

• تکنیک‌های جمع‌آوری داده برای یادگیری ماشین Data Acquisition Techniques for Machine Learning

• بهره‌گیری از Google reCAPTCHA برای جمع‌آوری داده‌ها Leveraging Google reCAPTCHA for Data Collection

• تمرین ۹: شناسایی برچسب‌گذاری داده‌های تولید شده توسط کاربر Exercise #9: Identify User-Generated Data Labelling

• ساده‌سازی مسئله در طراحی داده‌های ML Problem Simplification in ML Data Design

• تمرین ۱۰: ساختاردهی داده‌ها برای ورودی مدل Exercise #10: Structuring Data for Model Input

• برترین مجموعه‌داده‌های باز برای پروژه‌های ML Top Open Datasets for Machine Learning Projects

• تخمین نیازهای داده‌ای برای مدل‌های ML Estimating Data Requirements for ML Models

• گزینه‌های ذخیره‌سازی داده: Warehouse, Lake, and Graph Data Storage Options: Warehouse, Lake, and Graph

تکنیک‌های پیش‌پردازش در یادگیری ماشین Preprocessing Techniques for Machine Learning

• تکنیک‌های پاک‌سازی و پالایش داده‌ها Data Cleaning and Scrubbing Techniques

• نحوه نمونه‌برداری و تقسیم داده‌ها برای مدل‌های ML How to Sample and Split Data for ML Models

• روش‌های تبدیل داده برای یادگیری ماشین Data Transformation Methods for Machine Learning

• مقدمه‌ای بر تکنیک‌های مهندسی ویژگی (Feature Engineering) Introduction to Feature Engineering Techniques

• تمرین ۱۱: ایده‌پردازی برای یک ویژگی جدید در مدل شما Exercise #11: Brainstorming a New Feature for Your Model

انتخاب الگوریتم و توسعه راهکارهای ML Algorithm Selection and ML Solution Development

• چگونه الگوریتم یادگیری ماشین مناسب را انتخاب کنیم How to Choose the Right Machine Learning Algorithm

• ساختن، خریدن یا برون‌سپاری: استراتژی راهکار ML Build vs Buy vs Outsource: ML Solution Strategy

• بررسی یادگیری ماشین به عنوان سرویس (MLaaS) Exploring Machine Learning as a Service (MLaaS)

• توضیح الگوریتم‌های رگرسیون: خطی، چندجمله‌ای، لجستیک Regression Algorithms Explained: Linear, Polynomial, Logistic

• الگوریتم‌های طبقه‌بندی: SVM, K NN, Decision Trees Classification Algorithms: SVM, K-NN, Decision Trees

• الگوریتم‌های خوشه‌بندی: K Means و Mean Shift Clustering Algorithms: K-Means and Mean Shift

• تشخیص ناهنجاری با LOF و DBSCAN Anomaly Detection with LOF and DBSCAN

• متدهای Ensemble: Bagging, Boosting, and Stacking Ensemble Methods: Bagging, Boosting, and Stacking

معیارهای ارزیابی مدل و بهینه‌سازی عملکرد Model Evaluation Metrics and Performance Optimization

• درک ماتریس اغتشاش (Confusion Matrix) Understanding the Confusion Matrix

• توضیح Precision, Recall و F1 Score Precision, Recall, and F1 Score Explained

• تمرین ۱۲: محاسبه معیارهای ارزیابی Exercise #12: Let's Calculate Evaluation Metrics

• بهینه‌سازی تجربه کاربری (UX) Optimizing User Experience

• تمرین ۱۳: انتخاب معیار مناسب Exercise #13: Choosing the Right Metric

استقرار و نظارت بر مدل‌های ML ML Model Deployment and Monitoring

• استقرار مدل یادگیری ماشین شما Deploying Your Machine Learning Model

• نظارت بر عملکرد مدل Monitoring Model Performance

• خلاصه دوره و گام‌های بعدی Course Summary and Next Steps