آموزش ساخت، ارزیابی و عملیاتی‌سازی مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

ساخت مدل‌های یادگیری ماشین Building Machine Learning Models

• دمو: بارگذاری مجموعه داده و بررسی آمار پایه در Azure ML Studio DEMO - Loading a Dataset and Exploring Basic Statistics in Azure ML Studio

• مروری بر الگوریتم‌های رایج یادگیری ماشین برای رگرسیون و طبقه‌بندی Overview of Common Machine Learning Algorithms for Regression and 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 Ensemble: جنگل‌های تصادفی و ماشین‌های تقویت گرادیان Introduction to Ensemble Methods: Random Forests, Gradient Boosting Machines

• دمو: انتخاب مدل مناسب برای یک مجموعه داده در Azure ML Studio DEMO - Selecting an Appropriate Model for a Dataset in Azure ML Studio

• فرآیند گام‌به‌گام ساخت مدل با استفاده از ماژول‌های پیش‌ساخته Step-by-Step Process for Building a Model Using Pre-Built Modules

• شخصی‌سازی مدل‌ها با تنظیمات پیشرفته و هایپرپارامترها Customizing Models with Advanced Settings and Hyperparameters

• دمو: ساخت مدل طبقه‌بندی با استفاده از Azure ML Studio DEMO - Building a Classification Model Using Azure ML Studio

• مهندسی ویژگی‌ها: ایجاد ویژگی‌های جدید برای بهبود عملکرد مدل Feature Engineering: Creating New Features to Improve Model Performance

• مدیریت داده‌های گم‌شده و متغیرهای دسته‌بندی با تکنیک‌های پیش‌پردازش Handling Missing Data and Categorical Variables Using Preprocessing Techniques

• استفاده از اعتبارسنجی متقاطع برای ارزیابی تعمیم‌پذیری مدل Using Cross-Validation to Assess Model Generalization

• پیاده‌سازی الگوریتم‌های پیچیده: XGBoost، LightGBM و شبکه‌های عصبی Implementing Complex Algorithms: XGBoost, LightGBM, and Neural Networks

• دمو: ساخت یک مدل پیشرفته با مهندسی ویژگی‌ها در Azure ML Studio DEMO - Building an Advanced Model with Feature Engineering in Azure ML Studio

ارزیابی و بهینه‌سازی مدل 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 متقاطع و مجموعه‌های داده اعتبارسنجی Evaluating Model Performance Using Cross-Validation and Validation Datasets

• به‌کارگیری معیارهای عملکرد مدل Utilizing Model Performance Metrics

• ارزیابی خوشه‌بندی: امتیاز Silhouette و شاخص Rand تعدیل‌شده Clustering Evaluation: Silhouette Score, Adjusted Rand Index

• دمو: انجام تنظیم هایپرپارامترها با Azure HyperDrive DEMO - Performing Hyperparameter Tuning with Azure HyperDrive

• تکنیک‌های منظم‌سازی (Regularization) برای بهبود عملکرد مدل Regularization Techniques to Improve Model Performance

• مقدمه‌ای بر ترکیب مدل‌ها (Model Ensembling) Introduction to Model Ensembling

• هرس کردن و ساده‌سازی مدل برای افزایش کارایی Model Pruning and Simplification for Efficiency

• بهینه‌سازی سرعت استنتاج مدل و کاهش تأخیر (Latency) 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 شناسایی رانش مدل (Model Drift) Tracking Model Performance Over Time and Detecting Model Drift

• تکنیک‌های بازآموزی و نسخه‌بندی مدل Techniques for Model Retraining and Versioning

• بهترین روش‌ها برای مدیریت چرخه حیات و استقرار مدل Best Practices for Managing Model Lifecycle and Deployment

خط لوله‌های یادگیری ماشین (ML OPS) Machine Learning Pipelines (ML-OPS)

• مروری بر خط لوله‌های ML و اهمیت آن‌ها در خودکارسازی گردش کارها Overview of ML Pipelines and Their Importance in Automating Workflows

• طراحی و ساخت خط لوله‌های قابل استفاده مجدد در Azure ML Studio Designing and Building Reusable Pipelines in Azure ML Studio

• ساختاربندی خط لوله‌ها برای مقیاس‌پذیری و کارایی Structuring Pipelines for Scalability and Efficiency

• سازماندهی مراحل خط لوله (ورود داده‌ها، مهندسی ویژگی‌ها، آموزش مدل) Organizing Pipeline Steps (Data Ingestion, Feature Engineering, Model Training)

• استفاده از Azure ML Studio برای ایجاد خط لوله‌های آموزش و استقرار Using Azure ML Studio for Both Training and Deployment Pipeline Creation

• نحوه ادغام کدهای سفارشی در خط لوله‌های Azure ML How to Incorporate Custom Code into Azure ML Pipelines

• بهترین روش‌ها برای نسخه‌بندی و مدیریت وابستگی‌ها در خط لوله‌ها 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 (پایگاه داده‌ها، فضای ذخیره‌سازی ابری) در خط لوله Connecting External Resources (Databases, Cloud Storage) in the Pipeline

• زمان‌بندی اجرای خط لوله با تریگرها (زمانی و رویداد-محور) 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: ادغام چندین جزء خط لوله برای گردش کارهای پیچیده ADVANCED - Integrating Multiple Pipeline Components for Complex Workflows

• پیشرفته: مدیریت خطاها و تلاش‌های مجدد در خط لوله‌ها 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 سفارشی پایتون در خط لوله‌ها DEMO - Using PythonScriptStep to Run Custom Python Scripts within Pipelines