آموزش دوره جامع یادگیری ماشین آژور - ویرایش ۲۰۲۵ - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر یادگیری ماشین و Azure Introduction to Machine Learning and Azure

• تعریف و بررسی اجمالی یادگیری ماشین (ML) Definition and overview of machine learning (ML)

• انواع یادگیری ماشین: یادگیری نظارت‌شده، یادگیری بدون نظارت، یادگیری تقویتی. Types of machine learning Supervised, Unsupervised, Reinforcement Learning.

• مفاهیم کلیدی: داده‌های آموزشی، ویژگی‌ها (features)، برچسب‌ها (labels)، مدل‌ها، پیش‌بینی‌ها Key concepts Training data, features, labels, models, predictions

• کاربردهای واقعی ML در صنایعی مانند مراقبت‌های بهداشتی، مالی و غیره Real-world applications of ML in industries such as healthcare, finance, and r

• چالش‌ها در یادگیری ماشین: بیش‌برازش (Overfitting)، کم‌برازش (Underfitting)، کیفیت داده و مسائل دیگر Challenges in machine learning Overfitting, underfitting, data quality, and in

• مقدمه‌ای بر Azure ML Studio و قابلیت‌های آن برای ساخت، آموزش و استقرار مدل‌ها Introduction to Azure ML Studio and its capabilities for building, training, a

• بررسی اجمالی فضای کاری Azure Machine Learning: مجموعه‌داده‌ها (Datasets)، آزمایش‌ها (experiments)، مدل‌ها Overview of the Azure Machine Learning workspace Datasets, experiments, models

• اجزای کلیدی: Designer، Notebooks، Automated ML و مدیریت مدل Key components Designer, Notebooks, Automated ML, and Model Management

• ویژگی‌های کلیدی: رابط بصری، AutoML، یکپارچگی با سرویس‌های Azure (مانند Data Factory) Key features Visual interface, AutoML, integration with Azure services (Data F

• مقیاس‌پذیری و انعطاف‌پذیری با گزینه‌های محاسبه و ذخیره‌سازی Azure Scalability and flexibility with Azure Compute and storage options

• همکاری و اشتراک‌گذاری: توسعه مبتنی بر تیم و کنترل نسخه Collaboration and sharing Team-based development and version control

• مزایا: آزمایش سریع‌تر، استقرار مدل و یادگیری مداوم Benefits Faster experimentation, model deployment, and continuous learning

• ایجاد یک حساب Azure Creating an Azure account

• کاوش رابط و سرویس‌های ابری Azure – بخش ۱ Exploring Azure Cloud Interface and Services Part-1

• کاوش رابط و سرویس‌های ابری Azure – بخش ۲ Exploring Azure Cloud Interface and Services Part-2

• کاوش رابط و سرویس‌های ابری Azure – بخش ۳ Exploring Azure Cloud Interface and Services Part-3

• ایجاد Azure ML Studio Creating Azure ML Studio

• کاوش ویژگی‌های کلیدی و مزایای Azure ML Studio Exploring key features and benefits of Azure ML Studio

• بررسی اجمالی مدیریت منابع: فضاهای کاری (Workspaces)، منابع محاسباتی و حساب‌های ذخیره‌سازی Overview of resource management Workspaces, compute resources, and storage acc

• اتصال به منابع داده و سرویس‌های Azure. Connecting to data sources and Azure services.

• آزمون ماژول ۱: مقدمه‌ای بر یادگیری ماشین و Azure Module 1 Quiz: Introduction to Machine Learning and Azure

• توضیح Azure Machine Learning Studio به یک ذینفع تجاری Explaining Azure Machine Learning Studio to a Business Stakeholder

مبانی داده و پیش‌پردازش Data Basics and Preprocessing

• وارد کردن مجموعه‌داده‌ها از منابع مختلف: فایل‌های محلی، Azure Blob Storage، پایگاه‌های داده SQL Importing datasets from various sources local files, Azure Blob Storage, SQL d

• کاوش آمار مجموعه‌داده و بصری‌سازی توزیع داده Exploring dataset statistics and visualizing data distribution

• درک انواع داده (عددی، طبقه‌بندی، متنی، تصویری) Understanding data types (numerical, categorical, text, image)

• شناسایی و مدیریت داده‌های گمشده (مقادیر Null، Nan) Identifying and handling missing data ( Null, Nan Values )

• تشخیص نقاط پرت (Outlier) و استراتژی‌های درمان Outlier detection and treatment strategies

• حذف موارد تکراری و نامربوط Removing duplicates and irrelevant issues

• تصحیح انواع داده و مسائل مربوط به قالب‌بندی Correcting data types and formatting issues

• دمو – پاکسازی یک مجموعه‌داده با مدیریت مقادیر گمشده و نقاط پرت در ML Studio DEMO - Cleaning a dataset by handling missing values and outliers in ML Studio

• تقسیم مجموعه‌داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمایش Splitting datasets into training, validation, and test sets

• تکنیک‌های نمونه‌برداری تصادفی و نمونه‌برداری طبقه‌بندی‌شده Random sampling and stratified sampling techniques

• تکنیک‌های نرمال‌سازی و مقیاس‌بندی داده: MinMax scaling، استانداردسازی Z-score Data normalization and scaling techniques MinMax scaling, Standardization Zscore

• مدیریت مجموعه‌داده‌های نامتوازن و استفاده از تکنیک‌های oversampling و undersampling Handling imbalanced datasets and using oversampling & undersampling techniques

• دمو: تقسیم و نرمال‌سازی یک مجموعه‌داده در Azure ML Studio DEMO Splitting and normalizing a dataset in Azure ML Studio

• ایجاد ویژگی‌های جدید از طریق تبدیل‌ها (ویژگی‌های لگاریتمی، چندجمله‌ای) Creating new features through transformations (logarithmic, polynomial features)

• مقدمه‌ای بر انتخاب ویژگی: انتخاب ویژگی‌های مرتبط برای آموزش مدل. Introduction to feature selection Choosing relevant features for model training.

• کدگذاری متغیرهای طبقه‌بندی (One-Hot Encoding، Label Encoding) Encoding categorical variables (One-Hot Encoding, Label Encoding)

• انتخاب و تبدیل ویژگی Feature Selection and Transformation

• تبدیل و افزایش داده Data Transformation & Augmentation

• کاوش Designer در ML Studio و راه‌اندازی یک آزمایش Exploring ML Studio Designer and Setting up an Experiment

• آزمون ماژول ۲: مبانی داده و پیش‌پردازش Module 2 Quiz: Data Basics and Preprocessing

• جلسه دانشمند داده: پیش‌پردازش یک مجموعه‌داده معیوب برای یادگیری ماشین Data Scientist Meeting: Preprocessing a Faulty Dataset for Machine Learning

ماژول ۳: ساخت مدل‌های یادگیری ماشین Module 3: Building Machine Learning Models

• دمو: بارگذاری یک مجموعه‌داده و کاوش آمار پایه در Azure ML Studio DEMO Loading a dataset and exploring basic statistics in Azure ML Studio

• بررسی اجمالی الگوریتم‌های رایج یادگیری ماشین برای رگرسیون و طبقه‌بندی Overview of common machine learning algorithms for regression classification

• انتخاب بهترین الگوریتم بر اساس نوع داده و پیچیدگی مسئله Selecting the best algorithm based on data type and problem complexity

• مقدمه‌ای بر روش‌های ترکیبی (ensemble methods): Random Forests، Gradient Boosting Machines Introduction to ensemble methods Random Forests, Gradient Boosting Machines

• دمو: انتخاب یک مدل مناسب برای یک مجموعه‌داده در Azure ML Studio DEMO Selecting an appropriate model for a dataset in Azure ML Studio

• فرایند گام به گام برای ساخت مدل با استفاده از ماژول‌های از پیش ساخته‌شده. Step-by-step process for building a model using pre-built modules.

• سفارشی‌سازی مدل‌ها با تنظیمات پیشرفته و هایپرپارامترها. Customizing models with advanced settings and hyperparameters.

• دمو: ساخت یک مدل طبقه‌بندی با استفاده از Azure ML Studio DEMO Building a classification model using Azure ML Studio

• مهندسی ویژگی: ایجاد ویژگی‌های جدید برای بهبود عملکرد مدل. Feature engineering Creating new features to improve model performance.

• مدیریت داده‌های گمشده و متغیرهای طبقه‌بندی با استفاده از تکنیک‌های پیش‌پردازش Handling missing data and categorical variables using preprocessing technique

• استفاده از اعتبارسنجی متقابل برای ارزیابی تعمیم‌پذیری مدل. Using cross-validation to assess model generalization.

• پیاده‌سازی الگوریتم‌های پیچیده مانند XGBoost، LightGBM و شبکه‌های عصبی Implementing complex algorithms such as XGBoost, LightGBM, and Neural Network

• دمو: ساخت یک مدل پیشرفته با مهندسی ویژگی در Azure ML Studio DEMO Building an advanced model with feature engineering in Azure ML Studio

• آزمون ماژول ۳: ساخت مدل‌های یادگیری ماشین Module 3 Quiz: Building Machine Learning Models

• بررسی مدل یادگیری ماشین خود با مالک محصول Reviewing Your Machine Learning Model with the Product Owner

ماژول ۴: ارزیابی و بهینه‌سازی مدل Module 4: Model Evaluation and Optimization

• مقایسه چندین مدل برای انتخاب بهترین عملکرد. Comparing multiple models to select the best performer.

• ارزیابی عملکرد مدل با استفاده از اعتبارسنجی متقابل و مجموعه‌داده‌های اعتبارسنجی. Evaluating model performance using cross-validation and validation datasets.

• استفاده از معیارهای عملکرد مدل Utilizing model performance metrics

• ارزیابی خوشه‌بندی: Silhouette Score، Adjusted Rand Index. Clustering evaluation Silhouette Score, Adjusted Rand Index.

• دمو: انجام تنظیم هایپرپارامتر با Azure HyperDrive DEMO Performing hyperparameter tuning with Azure HyperDrive

• تکنیک‌های رگولاریزاسیون برای بهبود عملکرد مدل Regularization techniques to improve model performance

• مقدمه‌ای بر ترکیب مدل (Model Ensembling) Introduction to model ensembling

• هرس (pruning) و ساده‌سازی مدل برای کارایی Model pruning and simplification for efficiency

• بهینه‌سازی سرعت استنتاج مدل و کاهش تأخیر. Optimizing model inference speed and reducing latency.

• دمو: اجرای آزمایش AutoML با استفاده از رگرسیون Demo Running AutoML experiment using Regression

• ردیابی عملکرد مدل در طول زمان و تشخیص رانش مدل (model drift) Tracking model performance over time and detecting model drift

• تکنیک‌ها برای آموزش مجدد و نسخه‌سازی مدل. Techniques for model retraining and versioning.

• بهترین روش‌ها برای مدیریت چرخه حیات مدل و استقرار. Best practices for managing model lifecycle and deployment

• آزمون ماژول ۴: ارزیابی و بهینه‌سازی مدل Module 4 Quiz: Model Evaluation and Optimization

• ارائه و دفاع از استراتژی بهینه‌سازی مدل خود Presenting and Defending Your Model Optimization Strategy

ماژول ۵ – خطوط لوله یادگیری ماشین (ML-OPS) Module 5 - Machine learning Pipelines (ML-OPS)

• بررسی اجمالی خطوط لوله ML و اهمیت آن‌ها در خودکارسازی گردش کار. Overview of ML pipelines and their importance in automating workflows.

• طراحی و ساخت خطوط لوله قابل استفاده مجدد در Azure ML Studio Designing and building reusable pipelines in Azure ML Studio

• ساختاردهی خطوط لوله برای مقیاس‌پذیری و کارایی. Structuring pipelines for scalability and efficiency.

• سازماندهی مراحل خط لوله (دریافت داده، مهندسی ویژگی، آموزش مدل) Organizing pipeline steps (data ingestion, feature engineering, model training

• استفاده از Azure ML Studio برای ایجاد خط لوله آموزش و استقرار. Using Azure ML Studio for both training and deployment pipeline creation.

• نحوه ادغام کد سفارشی در خطوط لوله Azure ML. How to incorporate custom code into Azure ML Pipelines.

• بهترین روش‌ها برای نسخه‌سازی و مدیریت وابستگی‌ها در خطوط لوله. Best practices for versioning and managing dependencies in pipelines.

• پیکربندی متغیرهای محیطی برای مراحل خط لوله Configuring environment variables for pipeline steps

• اتصال منابع خارجی (پایگاه‌های داده، ذخیره‌سازی ابری) در خط لوله. Connecting external resources (databases, cloud storage) in the pipeline.

• زمان‌بندی اجرای خطوط لوله با محرک‌ها (مبتنی بر زمان، رویدادمحور) Scheduling pipeline runs with triggers (time-based, event-driven)

• دمو: ساخت یک خط لوله سفارشی با اسکریپت‌های پایتون در Azure ML Studio DEMO Building a custom pipeline with Python scripts in Azure ML Studio

• پیشرفته – یکپارچه‌سازی چندین مؤلفه خط لوله برای گردش کارهای پیچیده. ADVANCED- Integrating multiple pipeline components for complex workflows.

• پیشرفته – مدیریت خطاها و تلاش‌های مجدد در خطوط لوله ADVANCED- Handling failures and retries in pipelines

• پیشرفته – استفاده از PipelineParameters برای ورودی‌های پویا. ADVANCED - Using PipelineParameters for dynamic inputs.

• دمو: استفاده از PythonScriptStep برای اجرای اسکریپت‌های پایتون سفارشی درون خطوط لوله. DEMO Using PythonScriptStep to run custom Python scripts within pipelines.

• آزمون ماژول ۵: خطوط لوله یادگیری ماشین Module 5 Quiz: Machine Learning Pipelines

• جلسه بازبینی فنی: توجیه طراحی خط لوله Azure ML شما Technical Review Meeting: Justify Your Azure ML Pipeline Design

ماژول ۶ – استراتژی پیشرفته استقرار مدل Module 6 - Advanced Model Deployment Strategy

• ۱. پردازش موازی و مقیاس‌بندی بارهای کاری ML 1. Parallel processing and scaling ML workloads

• آموزش توزیع‌شده با TensorFlow/PyTorch در خوشه‌های محاسباتی Azure Distributed training with TensorFlowPyTorch on Azure Compute Clusters

• دمو: آموزش توزیع‌شده با TensorFlow/PyTorch در خوشه‌های محاسباتی Azure DEMO Distributed training with TensorFlowPyTorch on Azure Compute Clusters

• انتخاب بین استنتاج بلادرنگ و دسته‌ای. Choosing between real-time and batch inference.

• استقرارهای مدل بدون سرور با توابع Azure Serverless Model deployments with Azure functions

• دمو: استقرار یک مدل ML بلادرنگ بر روی AKS DEMO Deploying a real-time ML model on AKS

• کنترل دسترسی مبتنی بر نقش (RBAC) و امنیت API. Role-Based Access Control (RBAC) and API security.

• ثبت وقایع (Logging) و هشداردهی با Azure Monitor و Application Insights. Logging and alerting with Azure Monitor and Application Insights.

• دمو: ثبت وقایع و هشداردهی با Azure Monitor و Application Insights DEMO Logging and alerting with Azure Monitor and Application Insights

• مقدمه‌ای بر استراتژی‌های پیشرفته استقرار Introduction to Advance deployment strategies

• استقرار مدل‌های ML بر روی دستگاه‌های Edge با Azure IoT. Deploying ML models on Edge devices with Azure IoT.

• بهینه‌سازی مدل با ONNX برای استنتاج کارآمد. Model optimization with ONNX for efficient inference.

• آزمون ماژول ۶: آموزش و استقرار پیشرفته مدل؟ ? Module 6 Quiz: Advanced Model Training and Deployment

• مقیاس‌بندی استقرارهای ML برای راه‌اندازی یک محصول حیاتی Scaling ML Deployments for a Critical Product Launch

ماژول ۷ – MLOps (عملیات یادگیری ماشین) Module 7 - MLOps (Machine Learning Operations)

• اهمیت MLOps در برنامه‌های کاربردی هوش مصنوعی مدرن. Importance of MLOps in modern AI applications.

• تفاوت‌های کلیدی بین DevOps و MLOps. Key differences between DevOps and MLOps.

• چالش‌ها در عملیاتی کردن مدل‌های ML. Challenges in operationalizing ML models.

• خودکارسازی گردش کارهای ML با Azure DevOps و GitHub Actions. Automating ML workflows with Azure DevOps & GitHub Actions.

• زیرساخت به عنوان کد (IaC) برای محیط‌های ML. Infrastructure as Code (IaC) for ML environments.

• رمزگذاری داده، انطباق (GDPR, HIPAA) و بهترین روش‌های امنیتی. Data encryption, compliance (GDPR, HIPAA), and security best practices.

• دمو: دسترسی مبتنی بر نقش در Azure ML DEMO Role Based Access in Azure ML

• توضیحات آزمون: MLOps (عملیات یادگیری ماشین) (ماژول ۷) Quiz Description: MLOps (Machine Learning Operations) (Module 7)

• مرور استقرار ML در محیط تولید Navigating a Production ML Deployment Review

ماژول ۸: کاوش هوش مصنوعی مولد با Azure ML Studio Module 8: Exploring Generative AI with Azure ML Studio

• درک هوش مصنوعی مولد: چیست؟ Understanding Generative AI : What is it?

• درک هوش مصنوعی مولد: انواع مدل‌های مولد Understanding Generative AI : Types of Generative Models

• درک هوش مصنوعی مولد: مدل‌های محبوب هوش مصنوعی مولد Understanding Generative AI : Popular Generative AI Models

• دموی آزمایشگاه: استفاده از GPT در Azure ML – بخش ۱ Lab Demo : Using GPT in Azure ML-1

• دموی آزمایشگاه: استفاده از GPT در Azure ML – بخش ۲ Lab Demo : Using GPT in Azure ML-2

• دموی آزمایشگاه: تولید هنر ساخته‌شده توسط هوش مصنوعی با DALL·E Lab Demo : Generating AI-Generated Art with DALL·E

• تنظیم دقیق مدل‌های هوش مصنوعی مولد؛ چرا تنظیم دقیق لازم است؟ Fine-Tuning Generative AI Models ; Why Fine-Tuning is Needed ?

• تکنیک‌ها برای تنظیم دقیق GPT و مدل‌های دیگر Techniques for Fine-Tuning GPT & Other Models

• دموی آزمایشگاه: ایجاد یک چت‌بات خاص دامنه Lab Demo : Creating a Domain-Specific Chatbot

• دموی آزمایشگاه: بهبود تولید متن برای موارد استفاده سفارشی Lab Demo : Enhancing Text Generation for Custom Use Cases

• ملاحظات اخلاقی در هوش مصنوعی مولد: چالش‌ها در هوش مصنوعی مولد Ethical Considerations in Generative AI : Challenges in Generative AI

• تکنیک‌ها برای توسعه مسئولانه هوش مصنوعی Techniques for Responsible AI Development

• دموی آزمایشگاه: حسابرسی سوگیری در مدل‌های هوش مصنوعی Lab Demo : Auditing Bias in AI Models

• دموی آزمایشگاه: استفاده از هوش مصنوعی قابل توضیح در Azure ML Lab Demo : Using Explainable AI in Azure ML

• آزمون ماژول ۸: کاوش هوش مصنوعی مولد با Azure ML Studio Module 8 Quiz: Exploring Generative AI with Azure ML Studio

• ارزیابی استراتژی تنظیم دقیق برای یک چت‌بات مراقبت‌های بهداشتی Evaluating Fine-Tuning Strategy for a Healthcare Chatbot