آموزش مبانی یادگیری ماشین با Azure - آخرین آپدیت

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

• تعریف و بررسی کلی یادگیری ماشین (ML) Definition and Overview of Machine Learning (ML)

• انواع یادگیری ماشین: نظارت شده، نظارت نشده و یادگیری تقویتی Types of Machine Learning: Supervised, Unsupervised, Reinforcement Learning

• مفاهیم کلیدی: داده‌های آموزشی، ویژگی‌ها، برچسب‌ها، مدل‌ها و پیش‌بینی‌ها Key Concepts: Training Data, Features, Labels, Models, Predictions

• کاربردهای واقعی ML در صنایعی مانند بهداشت، درمان، مالی و خرده‌فروشی Real-World Applications of ML in Industries such as Healthcare, Finance, and Retail

• چالش‌های یادگیری ماشین: بیش‌برازش، کم‌برازش، کیفیت داده‌ها و تفسیرپذیری Challenges in Machine Learning: Overfitting, Underfitting, Data Quality, and Interpretability

• آشنایی با Azure ML Studio و قابلیت‌های آن برای ساخت، آموزش و استقرار مدل‌ها Introduction to Azure ML Studio and Its Capabilities for Building, Training, and Deploying Models

• مرور محیط کاری Azure Machine Learning: مجموعه‌داده‌ها، آزمایش‌ها و مدل‌ها Overview of the Azure Machine Learning Workspace: Datasets, Experiments, Models

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

• ویژگی‌های اصلی: رابط بصری، AutoML، یکپارچه‌سازی با سرویس‌های Azure (Data Factory, Blob Storage و غیره) Key Features: Visual Interface, AutoML, Integration with Azure Services (Data Factory, Blob Storage, etc.)

• مقیاس‌پذیری و انعطاف‌پذیری با گزینه‌های Compute و Storage در Azure Scalability and Flexibility with Azure Compute and Storage Options

• همکاری و اشتراک‌گذاری: توسعه تیمی و کنترل نسخه Collaboration and Sharing: Team-Based Development and Version Control

• مزایا: آزمایش سریع‌تر، استقرار مدل و یادگیری مستمر Benefits: Faster Experimentation, Model Deployment, and Continuous Learning

• ساخت حساب کاربری Azure Creating an Azure Account

• کاوش در رابط کاربری و سرویس‌های ابری Azure - بخش اول Exploring Azure Cloud Interface and Services Part 1

• کاوش در رابط کاربری و سرویس‌های ابری Azure - بخش دوم Exploring Azure Cloud Interface and Services Part 2

• کاوش در رابط کاربری و سرویس‌های ابری Azure - بخش سوم Exploring Azure Cloud Interface and Services Part 3

• راه‌اندازی Azure ML Studio Creating Azure ML Studio

• بررسی ویژگی‌ها و مزایای کلیدی Azure ML Studio Exploring Key Features and Benefits of Azure ML Studio

• مرور مدیریت منابع: Workspaces، منابع محاسباتی و حساب‌های ذخیره‌سازی Overview of Resource Management: Workspaces, Compute Resources, and Storage Accounts

• اتصال به منابع داده و سرویس‌های Azure Connecting to Data Sources and Azure Services

مبانی داده‌ها و پیش‌پردازش Data Basics and Preprocessing

• وارد کردن مجموعه‌داده‌ها از منابع مختلف: فایل‌های محلی، Azure Blob Storage، پایگاه‌داده‌های SQL و غیره Importing Datasets from Various Sources: Local Files, Azure Blob Storage, SQL Databases, etc.

• بررسی آمارهای مجموعه‌داده و بصری‌سازی توزیع داده‌ها Exploring Dataset Statistics and Visualizing Data Distribution

• درک انواع داده‌ها: عددی، دسته‌ای، متنی و تصویری Understanding Data Types: Numerical, Categorical, Text, Image

• شناسایی و مدیریت داده‌های مفقود (مقادیر Null و NaN) Identifying and Handling Missing Data (Null, NaN Values)

• تشخیص داده‌های پرت (Outlier) و استراتژی‌های درمان Outlier Detection and Treatment Strategies

• حذف داده‌های تکراری و موارد نامرتبط Removing Duplicates and Irrelevant Issues

• اصلاح انواع داده‌ها و مشکلات فرمت‌بندی Correcting Data Types and Formatting Issues

• دموی عملی: پاک‌سازی مجموعه‌داده با مدیریت مقادیر مفقود و داده‌های پرت در ML Studio DEMO - Cleaning a Dataset by Handling Missing Values and Outliers in ML Studio

• تقسیم مجموعه‌داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست Splitting Datasets into Training, Validation, and Test Sets

• تکنیک‌های نمونه‌برداری تصادفی و نمونه‌برداری طبقه‌بندی شده Random Sampling and Stratified Sampling Techniques

• تکنیک‌های نرمال‌سازی و مقیاس‌بندی داده‌ها: MinMax Scaling و استانداردسازی (Z-score) Data Normalization and Scaling Techniques: MinMax Scaling, Standardization (Z-score)

• مدیریت مجموعه‌داده‌های نامتوازن و استفاده از تکنیک‌های Oversampling و Undersampling Handling Imbalanced Datasets and Using Oversampling & Undersampling Techniques

• دموی عملی: تقسیم‌بندی و نرمال‌سازی مجموعه‌داده در Azure ML Studio DEMO - Splitting and Normalizing a Dataset in Azure ML Studio

• ساخت ویژگی‌های جدید از طریق تبدیل‌ها (ویژگی‌های لگاریتمی و 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 دسته‌ای (One Hot Encoding, Label Encoding) Encoding Categorical Variables (One-Hot Encoding, Label Encoding)

• انتخاب و تبدیل ویژگی‌ها Feature Selection and Transformation

• تبدیل و تقویت داده‌ها (Data Transformation & Augmentation) Data Transformation & Augmentation

• کاوش در ML Studio Designer و تنظیم یک آزمایش Exploring ML Studio Designer and Setting Up an Experiment