آموزش کاربردهای عملی با Azure Machine Learning - آخرین آپدیت

سرفصل ها و درس ها

انتخاب تکنیک مناسب یادگیری ماشین برای کاربرد مورد نظر Choosing the Right ML Technique for the Use Case

• تطبیق مدل‌های یادگیری ماشین با کاربردهای تجاری Mapping ML Models to Business Use Cases

• چه زمانی از AutoML و چه زمانی از Designer استفاده کنیم When to Use AutoML vs. Designer

• دمو: حل یک مورد کاربردی طبقه‌بندی با AutoML Demo: Solve a Classification Use Case with AutoML

• دمو: خوشه‌بندی بخش‌های مشتریان با استفاده از Designer Demo: Cluster Customer Segments Using Designer

ساخت گردش‌های کاری جامع در Azure ML Studio Building End-to-end Workflows in Azure ML Studio

• کالبدشناسی یک خط لوله جامع یادگیری ماشین Anatomy of an End-to-end ML Pipeline

• دمو: گردش کار رگرسیون جامع در Designer Demo: End-to-end Regression Workflow in Designer

• ارزیابی کیفیت خروجی و اثربخشی مدل Evaluate Output Quality and Model Effectiveness

• دمو: تکرار و بهینه‌سازی مدل با استفاده از ویژگی‌ها و پارامترها Demo: Iterating a Model Using Features and Parameters

عملیاتی کردن مدل‌های یادگیری ماشین با استنتاج دسته‌ای Operationalizing ML Models with Batch Inferencing

• زمان و نحوه استفاده از استنتاج دسته‌ای (Batch Inferencing) When and How to Use Batch Inferencing

• دمو: ایجاد یک خط لوله استنتاج دسته‌ای در Designer Demo: Create a Batch Inference Pipeline in Designer

• دسترسی و قالب‌بندی خروجی‌های حاصل از وظایف دسته‌ای Accessing and Formatting Outputs from Batch Jobs

• دمو: زمان‌بندی وظایف دسته‌ای و نظارت بر اجرا Demo: Schedule Batch Jobs and Monitor Execution