آموزش یادگیری ماشین بدون کد: استفاده از Azure ML Studio - آخرین آپدیت

دانلود Machine Learning No-Code Approach: Using Azure ML Studio top rated

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

یادگیری ماشین با رویکرد عملی در Azure Machine Learning Studio

با استفاده از محیط بصری و کشیدنی (drag-n-drop) Azure Machine Learning Studio، اصول یادگیری ماشین نظارت‌شده (Supervised Machine Learning) را بیاموزید و مدل‌های پیش‌بینی‌کننده بدون نیاز به کدنویسی بسازید. در این دوره، با انواع الگوریتم‌ها آشنا شده، بهترین را انتخاب کرده و مدل‌های خود را برای استفاده با داده‌های جدید مستقر می‌کنید.

اهداف کلیدی دوره:

کشف مبانی یادگیری ماشین نظارت‌شده
ساخت مدل‌های پیش‌بینی‌کننده با Azure ML Studio بدون کد
ارزیابی الگوریتم‌های مختلف برای یافتن بهترین عملکرد
استقرار زنده مدل‌ها برای استفاده با داده‌های جدید
ساخت مدل پیش‌بینی قیمت املاک
آزمایش با مجموعه داده کلاسیک تایتانیک برای پیش‌بینی شانس بقا

پیش‌نیازها:

توانایی کار با فایل‌ها و پوشه‌های کامپیوتر
آشنایی با برنامه‌های صفحه گسترده مانند مایکروسافت اکسل یا گوگل شیتز
اشتراک رایگان یا پولی مایکروسافت آژور (Microsoft Azure)

یادگیری ماشین برای همه: رویکرد بدون کد با Azure ML Studio

یادگیری ماشین (Machine Learning) یکی از پرتقاضاترین مهارت‌های فنی در دنیای کسب‌وکار امروز است. اما این حوزه اغلب به متخصصانی محدود می‌شود که با کدنویسی آشنا هستند. Microsoft Azure Machine Learning Studio این معادله را تغییر داده است. این پلتفرم با ارائه یک محیط آسان و کشیدنی (drag-n-drop)، یادگیری ماشین را برای همگان قابل دسترس کرده است.

درک عمیق اصول یادگیری ماشین برای استفاده مؤثر از Azure ML Studio ضروری است. این دوره با هدف ارائه دانش پایه‌ای در زمینه یادگیری ماشین طراحی شده است. شما نه تنها قادر خواهید بود تا در مورد یادگیری ماشین با اطمینان صحبت کنید، بلکه می‌توانید آن را برای حل مسائل واقعی کسب‌وکار به کار گیرید.

ساخت مدل‌های پیش‌بینی با یادگیری ماشین نظارت‌شده

در این دوره، تمام مراحل لازم برای ساخت مدل‌های پیش‌بینی‌کننده یادگیری ماشین نظارت‌شده (Supervised Learning) را طی خواهید کرد. این شامل مدل‌های طبقه‌بندی (Classification) برای مقادیر گسسته مانند "تأیید شده" یا "تأیید نشده" و مدل‌های رگرسیون (Regression) برای مقادیر پیوسته مانند "حقوق" یا "قیمت" می‌شود.

مبانی ریاضی و اکسل

این دوره به دانش پایه‌ی ریاضی شامل عملیات اصلی و محاسبه میانگین نیاز دارد. آشنایی با مایکروسافت اکسل نیز مفید خواهد بود، زیرا در مرحله استقرار مدل زنده از اکسل برای نمایش استفاده خواهیم کرد.

رویکرد عملی و بدون کد

این دوره با رویکرد "بدون کد" (no-code approach) برای افراد بدون پیش‌زمینه برنامه‌نویسی طراحی شده است. این دوره بسیار عملی است و به شما امکان می‌دهد تا هم‌زمان با یادگیری، مدل‌های خود را توسعه دهید. ما موضوعات زیر را پوشش خواهیم داد:

اصول سه نوع اصلی الگوریتم یادگیری ماشین
تحلیل عمیق یادگیری ماشین نظارت‌شده
طبقه‌بندی با استفاده از مجموعه داده تایتانیک
درک و انتخاب ویژگی‌های داده
تغییر متادیتای ویژگی‌ها برای بهبود عملکرد الگوریتم‌ها
تقسیم داده‌ها
انتخاب الگوریتم مناسب
آموزش، امتیازدهی و ارزیابی مدل
رگرسیون با استفاده از مجموعه داده املاک ملبورن
پاک‌سازی داده‌های گمشده
طبقه‌بندی داده‌ها
تنظیم هایپرپارامترها
استقرار مدل‌ها در اکسل
ارائه جزئیات وب سرویس به توسعه‌دهندگان برای ادغام با سیستم‌های خارجی
چک‌لیست سریع Azure ML

تمرین و توسعه مهارت

این دوره شامل ۴ تمرین با راه‌حل است تا فرصت بیشتری برای تمرین مهارت‌های جدید یادگیری ماشین خود داشته باشید. در نهایت، شما قادر خواهید بود تا از مجموعه داده‌های خود برای پیش‌بینی داده‌ها در شرکتتان استفاده کنید یا با مهارت‌های جدید خود، مدیران را تحت تأثیر قرار دهید.

اگر برنامه‌نویس نیستید و فکر می‌کردید که از موج یادگیری ماشین عقب مانده‌اید، دوباره فکر کنید. شما می‌توانید نه تنها بخشی از این موج باشید، بلکه با Azure ML Studio آن را فتح کرده و به قهرمان یادگیری ماشین تبدیل شوید.

همین امروز ثبت‌نام کنید و در دوره به شما خواهم پیوست!

سرفصل ها و درس ها

به دوره خوش آمدید Welcome to the Course

به Welcome
مقایسه دسته‌بندی‌های یادگیری ماشین Compare Machine Learning Categories
انتخاب دسته‌بندی صحیح یادگیری ماشین Choose the correct Machine Learning Category
ایجاد حساب Azure رایگان Create a Free Azure Account
تعریف ویژگی‌های Azure ML Studio Define Azure ML Studio Features

طبقه‌بندی با استفاده از مجموعه داده تایتانیک Classification Using the Titanic Dataset

مقدمه Introduction
بارگذاری مجموعه داده Load the Dataset
درک ویژگی‌ها Understand the Features
انتخاب ویژگی‌ها Select Features
ویرایش فراداده Edit Metadata
تقسیم داده‌ها Split the Data
انتخاب الگوریتم Select the Algorithm
آموزش مدل Train Model
امتیازدهی به مدل Score Model
ارزیابی مدل Evaluate Model
تمرین ۱: گل زنبق Exercise 1: The Iris Flower
تمرین ۱: گل زنبق (راه حل) Exercise 1: The Iris Flower (Solution)
خلاصه Summary

بهینه‌سازی مدل طبقه‌بندی Refining The Classification Model

مقدمه Introduction
خلاصه‌سازی داده‌ها Summarize The Data
انتخاب ویژگی‌های بیشتر Select More Features
پاکسازی داده‌های گمشده Clean Missing Data
طبقه‌بندی داده‌ها Stratify The Data
تنظیم ابرپارامترها Tune The Hyperparameters
ارزیابی عمیق مدل Evaluate Model in Depth
مقایسه الگوریتم‌های مختلف Compare Different Algorithms
استقرار مدل Deploy The Model
تمرین ۲: بهینه‌سازی گل زنبق Exercise 2: Refining The Iris Flower
تمرین ۲: بهینه‌سازی گل زنبق (راه حل) Exercise 2: Refining The Iris Flower (Solution)
خلاصه Summary

رگرسیون با استفاده از مجموعه داده املاک و مستغلات Regression Using A Real Estate Dataset

مقدمه Introduction
کاوش داده‌ها Explore The Data
پاکسازی داده‌های گمشده Clean Missing Data
ویرایش فراداده Edit Metadata
آزمایش مدل Test Model
ارزیابی مدل Evaluate Model
اختیاری - MAE و RAE توضیح داده شده‌اند Optional - MAE and RAE Explained
تمرین ۳: بازار مسکن آیووا Exercise 3: Iowa Housing Market
تمرین ۳: بازار مسکن آیووا (راه حل) Exercise 3: Iowa Housing Market (Solution)
خلاصه Summary

بهینه‌سازی مدل رگرسیون Refining The Regression Model

مقدمه Introduction
ارزیابی مجدد انتخاب ویژگی Reassess Feature Selection
تنظیم ابرپارامترها Hyperparameter Tuning
مقایسه الگوریتم‌ها Compare Algorithms
استقرار مدل Deploy The Model
تمرین ۴: بهینه‌سازی بازار مسکن آیووا Exercise 4: Refining Iowa Housing Market
تمرین ۴: بهینه‌سازی بازار مسکن آیووا (راه حل) Exercise 4: Refining Iowa Housing Market (Solution)
خلاصه Summary

نتیجه‌گیری Conclusion

آنچه آموخته‌اید What You Have Learned
Azure ML Studio Azure ML Studio
گام‌های بعدی Next Steps
درس پاداش Bonus Lecture

برای ارسال نظر ثبت نام کنید.

آموزش یادگیری ماشین بدون کد: استفاده از Azure ML Studio - آخرین آپدیت

دانلود Machine Learning No-Code Approach: Using Azure ML Studio top rated

یادگیری ماشین با رویکرد عملی در Azure Machine Learning Studio

اهداف کلیدی دوره:

پیش‌نیازها:

یادگیری ماشین برای همه: رویکرد بدون کد با Azure ML Studio

ساخت مدل‌های پیش‌بینی با یادگیری ماشین نظارت‌شده

مبانی ریاضی و اکسل

رویکرد عملی و بدون کد

تمرین و توسعه مهارت

به دوره خوش آمدید Welcome to the Course

به Welcome

مقایسه دسته‌بندی‌های یادگیری ماشین Compare Machine Learning Categories

انتخاب دسته‌بندی صحیح یادگیری ماشین Choose the correct Machine Learning Category

ایجاد حساب Azure رایگان Create a Free Azure Account

تعریف ویژگی‌های Azure ML Studio Define Azure ML Studio Features

طبقه‌بندی با استفاده از مجموعه داده تایتانیک Classification Using the Titanic Dataset

مقدمه Introduction

بارگذاری مجموعه داده Load the Dataset

درک ویژگی‌ها Understand the Features

انتخاب ویژگی‌ها Select Features

ویرایش فراداده Edit Metadata

تقسیم داده‌ها Split the Data

انتخاب الگوریتم Select the Algorithm

آموزش مدل Train Model

امتیازدهی به مدل Score Model

ارزیابی مدل Evaluate Model

تمرین ۱: گل زنبق Exercise 1: The Iris Flower

تمرین ۱: گل زنبق (راه حل) Exercise 1: The Iris Flower (Solution)

خلاصه Summary

بهینه‌سازی مدل طبقه‌بندی Refining The Classification Model

مقدمه Introduction

خلاصه‌سازی داده‌ها Summarize The Data

انتخاب ویژگی‌های بیشتر Select More Features

پاکسازی داده‌های گمشده Clean Missing Data

طبقه‌بندی داده‌ها Stratify The Data

تنظیم ابرپارامترها Tune The Hyperparameters

ارزیابی عمیق مدل Evaluate Model in Depth

مقایسه الگوریتم‌های مختلف Compare Different Algorithms

استقرار مدل Deploy The Model

تمرین ۲: بهینه‌سازی گل زنبق Exercise 2: Refining The Iris Flower

تمرین ۲: بهینه‌سازی گل زنبق (راه حل) Exercise 2: Refining The Iris Flower (Solution)

خلاصه Summary

رگرسیون با استفاده از مجموعه داده املاک و مستغلات Regression Using A Real Estate Dataset

مقدمه Introduction

کاوش داده‌ها Explore The Data

پاکسازی داده‌های گمشده Clean Missing Data

ویرایش فراداده Edit Metadata

آزمایش مدل Test Model

ارزیابی مدل Evaluate Model

اختیاری - MAE و RAE توضیح داده شده‌اند Optional - MAE and RAE Explained

تمرین ۳: بازار مسکن آیووا Exercise 3: Iowa Housing Market

تمرین ۳: بازار مسکن آیووا (راه حل) Exercise 3: Iowa Housing Market (Solution)

خلاصه Summary

بهینه‌سازی مدل رگرسیون Refining The Regression Model

مقدمه Introduction

ارزیابی مجدد انتخاب ویژگی Reassess Feature Selection

تنظیم ابرپارامترها Hyperparameter Tuning

مقایسه الگوریتم‌ها Compare Algorithms

استقرار مدل Deploy The Model

تمرین ۴: بهینه‌سازی بازار مسکن آیووا Exercise 4: Refining Iowa Housing Market

تمرین ۴: بهینه‌سازی بازار مسکن آیووا (راه حل) Exercise 4: Refining Iowa Housing Market (Solution)

خلاصه Summary

نتیجه‌گیری Conclusion

آنچه آموخته‌اید What You Have Learned

Azure ML Studio Azure ML Studio

گام‌های بعدی Next Steps

درس پاداش Bonus Lecture

نمایش نظرات

https://donyad.com/d/75540c