أخصائي البيانات الضخمة مع التعلم الآلي والتعلم العميق

ما هي البيانات الضخمة؟ (يوم واحد تقريباً)

الحجم، والسرعة، والتنوع، والقيمة، والصدقية

فرص ومخاطر الكميات الكبيرة من البيانات

التمايز: ذكاء الأعمال، تحليلات البيانات، علم البيانات

مقدمة في التنقيب عن البيانات

دور الذكاء الاصطناعي والأنظمة القائمة على البيانات في بيئة البيانات الضخمة

مقدمة في أطر عمل البيانات الضخمة (يومان تقريبًا)

حلول البيانات الضخمة في السحابة (نظرة عامة على AWS وAzure وGCP)

أنماط الوصول إلى البيانات

تخزين البيانات

مقدمة في بحيرات البيانات ومستودعات البيانات

نظرة عامة على Apache Hadoop وSpark

معالجة البيانات الموزعة باستخدام Spark (3 أيام تقريباً)

أساسيات الأنظمة الموزعة

أباتشي سبارك (الأساسية وSQL)

مقارنة الأساليب المختلفة لمعالجة البيانات

معالجة كميات كبيرة من البيانات

مقدمة في سير عمل التعلم الآلي البسيط باستخدام Spark

خطوط أنابيب البيانات وتكامل البيانات (حوالي 2 يومان)

عمليات ETL وعمليات ETT

المعالجة الدفعية مقابل المعالجة المتدفقة

أساسيات خطوط أنابيب البيانات

مقدمة في التنسيق (على سبيل المثال نظرة عامة على Airflow)

جودة البيانات وإعدادها

المكونات (يومان تقريباً)

عرض موجز للأدوات المختلفة

نقل البيانات

نظرة عامة على إدارة الموارد في أنظمة البيانات الضخمة

نظام هادوب البيئي

تعميق أباتشي سبارك

مقدمة في تقنيات التدفق

NoSQL وتخزين البيانات (حوالي 2 يومان)

نظرية كاب

ACID و BASE

أنواع قواعد البيانات

قاعدة بيانات HBase

مقدمة في قواعد البيانات الموجهة للمستندات

مقدمة في تنسيقات التخزين

نظرة عامة على مناهج بحيرة البيانات

تصوّر البيانات الضخمة (يومان تقريباً)

نظريات التصور

اختيار الرسوم البيانية

أنواع جديدة من الرسوم البيانية

أدوات لتصور البيانات

مقدمة في أدوات ذكاء الأعمال (مثل Power BI و Tableau)

أساسيات اتخاذ القرارات المستندة إلى البيانات

حوكمة البيانات وحماية البيانات (يوم واحد تقريبًا)

أساسيات اللائحة العامة لحماية البيانات في سياق البيانات

أخلاقيات البيانات والتعامل المسؤول مع البيانات

مفاهيم جودة البيانات والحوكمة

ضوابط الوصول والأمان

أساسيات الاستخدام المسؤول للذكاء الاصطناعي

عمل المشروع (5 أيام تقريباً)

لتوحيد المحتوى المكتسب

عرض نتائج المشروع

مقدمة في التعلم الآلي (5 أيام تقريباً)

لماذا التعلم الآلي؟

أمثلة تطبيقية

التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم الخاضع للإشراف الجزئي، والتعلم المعزز

أمثلة على مجموعات البيانات

التعرف على البيانات

بيانات التدريب والتحقق من الصحة وبيانات الاختبار

عرض البيانات

إجراء التنبؤات

التعلم تحت الإشراف (حوالي 5 أيام)

التصنيف والانحدار

التعميم والإفراط في التعميم وعدم التعميم

حجم مجموعة البيانات

خوارزميات التعلّم تحت الإشراف

النماذج الخطية

مصنفات بايز

أشجار القرار

الغابة العشوائية

تعزيز التدرج

الجيران الأقرب ك

ماكينات دعم المتجهات

المجال العشوائي الشرطي

الشبكات العصبية والتعلم العميق

الاحتمالات

التعلم غير الخاضع للإشراف (5 أيام تقريباً)

أنواع التعلم غير الخاضع للإشراف

المعالجة المسبقة والقياس

تحويلات البيانات

قياس بيانات التدريب والاختبار

تقليل الأبعاد

هندسة الميزات

التعلّم المتشعب

تحلل المكونات الرئيسية (PCA)

تحليل المصفوفة غير السالبة (NMF)

التعلُّم المتشعب مع التحليل العنقودي للمكونات الرئيسية

التحليل العنقودي

التجميع k-Means

التجميع العنقودي التجميعي

التحليل العنقودي الهرمي

DBSCAN

خوارزميات التجميع

التقييم والتحسين (يومان تقريباً)

اختيار النموذج وتقييم النموذج

ضبط المعلمات الفائقة للمُقدِّر

التحقق التبادلي

بحث الشبكة

مقاييس التقييم

التصنيف

عمل المشروع (3 أيام تقريباً)

لتوحيد المحتوى الذي تم تعلمه

عرض نتائج المشروع

مقدمة في التعلم العميق (يوم واحد تقريباً)

التعلم العميق كنوع من التعلم الآلي

أساسيات الشبكات العصبية (4 أيام تقريباً)

الإدراك الحسي متعدد الطبقات

حساب الشبكات العصبية

تحسين معلمات النموذج، والانتشار الخلفي

مكتبات التعلم العميق

الانحدار مقابل التصنيف

وظائف الخسارة والتنشيط النموذجية

تقييم توقعات النموذج باستخدام المقاييس

مقاييس الانحدار والتصنيف

منحنيات التعلّم، والإفراط في التركيب والتنظيم

تحسين المعامل الفائق

تنظيم L1/12

التسرب

التوقف المبكر

نزول التدرج العشوائي (SGD)

الزخم، آدم الأمثل

تحسين معدل التعلم

تعديل معدل التعلم الديناميكي

تقليل معدل التعلم عند الهضبة

تحسين معدل التعلُّم باستخدام TensorBoard

التحكم في عملية الملاءمة باستخدام عمليات الاسترجاع

حفظ النماذج وتحميلها

الشبكة العصبية التلافيفية (CNN) (يومان تقريباً)

تصنيف الصور

الطبقات التلافيفية، طبقات التجميع

طبقات إعادة التشكيل، التسطيح، تجميع المتوسط العالمي

مسابقة ImageNet-منافسة الشبكات العصبية المتداخلة (CNN)

الشبكات العصبية العميقة، وتلاشي التدرجات، وتخطي الاتصالات، وتطبيع الدُفعات

نقل التعلم (يوم واحد تقريباً)

تكييف ودمج النماذج

التدريب المسبق غير الخاضع للإشراف

زيادة بيانات الصور، والذكاء الاصطناعي القابل للتفسير

محمل البيانات

شبكة CNN الإقليمية (يوم واحد تقريباً)

توطين الكائنات

التجزئة الدلالية

مشاكل الانحدار

الشبكات العصبية المتفرعة

بنية YOLO

نماذج U-Net

طرق توليد الصور الإبداعية (يوم واحد تقريباً)

شبكات الخصومة التوليدية (GAN)

التزييف العميق

نماذج الانتشار

الاستبانة الفائقة

تكملة مناطق الصور المكملة

تطبيق نماذج الأساس من تعانق الوجه

نماذج متعددة الوسائط

لورا-ضبط دقيق

مجالات تطبيق النماذج التوليدية

القيود القانونية

الشبكات العصبية المتكررة (يومان تقريباً)

تحليل التسلسل

الطبقات المتكررة

الانتقاء الخلفي عبر الزمن (BPTT)

تحليل السلاسل الزمنية

مشاكل التدرج الانفجاري والتلاشي

LSTM (الذاكرة طويلة وقصيرة المدى)

GRU (وحدة متكررة مبوبة)

شبكة RNN العميقة

LSTM العميقة

معالجة النصوص باستخدام الشبكات العصبية (يومان تقريباً)

المعالجة المسبقة للنص

تضمين الطبقات

تصنيف النصوص

تحليل المشاعر

معالجة اللغة الطبيعية (NLP)

الترجمات

توليد النص

طريقة التسلسل إلى التسلسل، بنية أداة التشفير وفك التشفير

نماذج التشفير فقط ونماذج فك التشفير فقط

التطبيق المحلي للنماذج اللغوية الكبيرة

النماذج اللغوية (يوم واحد تقريباً)

بنية الترانسفير

الانتباه والانتباه متعدد الرؤوس

الترميزات الموضعية

ضبط النماذج اللغوية الكبيرة

التلقين

خطوط أنابيب توليد النص

التلخيص

روبوتات المحادثة

التوليد المعزز للاسترجاع

وكلاء الذكاء الاصطناعي

التعلم المعزز العميق (يوم واحد تقريباً)

التحكم في الأنظمة الديناميكية

أنظمة الوكلاء

التدريب من خلال المكافآت

تدرجات السياسة

التعلُّم الكمي العميق

الشبكات العصبية الباييزية (يوم واحد تقريباً)

حالات عدم اليقين في الشبكات العصبية

التقييم الإحصائي للتوقعات

الثقة، الانحراف المعياري

البيانات غير المتوازنة

طرق أخذ العينات

عمل المشروع (3 أيام تقريباً)

لتوحيد المحتوى الذي تم تعلمه

عرض نتائج المشروع