آموزش راهنمای جامع یادگیری ماشین در Azure - ویرایش ۲۰۲۵ [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

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

• 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, and Deploying Models

• بررسی فضای 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 کلیدی: رابط بصری، AutoML و یکپارچگی 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 ذخیره‌سازی و محاسباتی Azure Scalability and Flexibility with Azure Compute and Storage Options

• همکاری و اشتراک‌گذاری: توسعه تیم‌محور 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

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

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

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

• مروری بر 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، پایگاه‌های داده 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 گمشده (مقادیر Null و NaN) Identifying and Handling Missing Data (Null, NaN Values)

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

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

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

• دمو: پاک‌سازی یک مجموعه‌داده با مدیریت مقادیر گمشده 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 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

• دمو: تقسیم و نرمال‌سازی یک مجموعه‌داده در Azure ML Studio DEMO - Splitting and Normalizing a Dataset in Azure ML Studio

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

• انتخاب و تبدیل ویژگی‌ها Feature Selection and Transformation

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

• بررسی ML Studio Designer و راه‌اندازی یک آزمایش Exploring ML Studio Designer and Setting Up an Experiment

ساخت مدل‌های یادگیری ماشین Building Machine Learning Models

• دمو: بارگذاری مجموعه‌داده و بررسی آمارهای 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 Gradient Boosting Introduction to Ensemble Methods: Random Forests, Gradient Boosting Machines

• دمو: انتخاب مدل مناسب برای یک مجموعه‌داده 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

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

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

• استفاده از اعتبار‌سنجی متقابل (Cross Validation) 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 ویژگی 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 متقابل و مجموعه‌داده‌های اعتبارسنجی Evaluating Model Performance Using Cross-Validation and Validation Datasets

• استفاده از معیارهای سنجش عملکرد مدل Utilizing Model Performance Metrics

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

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

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

• مقدمه‌ای بر مدل‌های ترکیبی (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 عمر 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 کار 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 ویژگی، 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 (پایگاه‌های داده، ذخیره‌سازی ابری) در خط لوله Connecting External Resources (Databases, Cloud Storage) in the Pipeline

• زمان‌بندی اجرای خط لوله‌ها با تریگرها (زمانی یا 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: یکپارچه‌سازی 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 پایتون سفارشی در خط لوله‌ها DEMO - Using PythonScriptStep to Run Custom Python Scripts within Pipelines

استراتژی‌های پیشرفته استقرار مدل Advanced Model Deployment Strategy

• پردازش موازی و مقیاس‌بندی بارهای کاری ML Parallel Processing and Scaling ML Workloads

• آموزش توزیع‌شده با TensorFlow/PyTorch روی خوشه‌های محاسباتی Azure Distributed Training with TensorFlow/PyTorch on Azure Compute Clusters

• دمو: آموزش توزیع‌شده با TensorFlow/PyTorch روی خوشه‌های محاسباتی Azure DEMO - Distributed Training with TensorFlow/PyTorch on Azure Compute Clusters

• انتخاب بین استنتاج آنی (Real-time) و دسته‌ای (Batch) Choosing Between Real-Time and Batch Inference

• استقرار مدل‌های بدون سرور (Serverless) با Azure Functions Serverless Model Deployments with Azure Functions

• دمو: استقرار یک مدل ML آنی 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 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 Advanced Deployment Strategies

• استقرار مدل‌های ML 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

عملیات یادگیری ماشین (MLOps) MLOps (Machine Learning Operations)

• اهمیت MLOps در برنامه‌های مدرن هوش مصنوعی Importance of MLOps in Modern AI Applications

• تفاوت‌های کلیدی بین DevOps و MLOps Key Differences Between DevOps and MLOps

• چالش‌های 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 داده‌ها، 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

بررسی هوش مصنوعی مولد با Azure ML Studio 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 AI مولد Understanding Generative AI: Popular Generative AI Models

• دموی آزمایشگاهی: استفاده از GPT در Azure ML - بخش اول Lab Demo: Using GPT in Azure ML-1

• دموی آزمایشگاهی: استفاده از GPT در Azure ML - بخش دوم Lab Demo: Using GPT in Azure ML-2

• دموی آزمایشگاهی: تولید آثار هنری با DALL·E Lab Demo: Generating AI-Generated Art with DALL·E

• تنظیم دقیق (Fine Tuning) مدل‌های AI مولد؛ چرا تنظیم دقیق لازم است؟ Fine-Tuning Generative AI Models; Why Fine-Tuning Is Needed

• تکنیک‌های تنظیم دقیق GPT و سایر مدل‌ها Techniques for Fine-Tuning GPT & Other Models

• دموی آزمایشگاهی: ساخت یک چت‌بات تخصصی برای یک حوزه خاص Lab Demo: Creating a Domain-Specific Chatbot

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

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

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

• دموی آزمایشگاهی: حسابرسی سوگیری (Bias) در مدل‌های AI Lab Demo: Auditing Bias in AI Models

• دموی آزمایشگاهی: استفاده از هوش مصنوعی توضیح‌پذیر (Explainable AI) در Azure ML Lab Demo: Using Explainable AI in Azure ML