لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مهندس حرفه ای یادگیری ماشین گواهی شده گوگل
دانلود Google Certified Professional Machine Learning Engineer
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
الگوریتمهای کارشناسی ارشد ML، مدلسازی داده، TensorFlow و خدمات هوش مصنوعی/ML Google Cloud. 137 پرسش، پاسخ با توضیحات چارچوببندی مشکلات ML معماری راهحلهای ML طراحی سیستمهای آمادهسازی و پردازش دادهها توسعه مدلهای ML خودکارسازی و هماهنگسازی خطوط لوله ML نظارت، بهینهسازی و نگهداری راهحلهای ML پیش نیازها: برخی از تجربههای قبلی با Google Cloud و یادگیری ماشینی کمک خواهد کرد. همچنین اگر قبلاً دارای گواهینامه Google Professional Data Engineer هستید، به شما کمک زیادی خواهد کرد.
چالشهای تجاری را به موارد استفاده ML ترجمه کنید
راه حل بهینه را انتخاب کنید (ML در مقابل غیر ML، سفارشی در مقابل از پیش بسته بندی شده)
تعریف کنید که چگونه خروجی مدل باید مشکل کسب و کار را حل کند
منابع داده (در دسترس در مقابل ایده آل) را شناسایی کنید
مشکلات ML را تعریف کنید (نوع مشکل، نتیجه پیشبینیها، فرمتهای ورودی و خروجی)
معیارهای موفقیت کسب و کار (تراز معیارهای ML، نتایج کلیدی) را تعریف کنید
تشخیص خطرات راه حل های ML (ارزیابی تأثیر کسب و کار، آمادگی راه حل ML، آمادگی داده)
راه حل های قابل اعتماد، مقیاس پذیر و در دسترس ML را طراحی کنید
خدمات و مؤلفههای مناسب ML را انتخاب کنید
کاوش/تجزیه و تحلیل دادههای طراحی، مهندسی ویژگیها، گزارشگیری/مدیریت، اتوماسیون، هماهنگسازی، نظارت، و استراتژیهای ارائه خدمات
گزینههای سختافزار Google Cloud (CPU، GPU، TPU، دستگاههای لبه) را ارزیابی کنید
معماری هایی را طراحی کنید که با نگرانی های امنیتی در بخش ها مطابقت دارند
ساخت خطوط لوله داده (سازماندهی و بهینه سازی مجموعه داده ها، رسیدگی به داده های از دست رفته و موارد پرت، جلوگیری از نشت داده ها)
ایجاد ویژگیهای ورودی (اطمینان از سازگاری پیشپردازش دادهها، کدگذاری دادههای ساختاریافته، مدیریت انتخاب ویژگی، مدیریت عدم تعادل کلاس، استفاده از تبدیلها)
ساخت مدلها (انتخاب چارچوب، تفسیرپذیری، یادگیری انتقال، افزایش دادهها، یادگیری نیمهنظارتشده، مدیریت بیشبرازش/زیاد برازش)
مدلهای آموزش (دریافت انواع فایل، مدیریت محیطهای آموزشی، تنظیم فراپارامترها، ردیابی معیارهای آموزشی)
مدلهای آزمایشی (انجام آزمایشهای واحد، مقایسه عملکرد مدل، استفاده از Vertex AI برای توضیحپذیری مدل)
آموزش و ارائه مدل مقیاس (توزیع آموزش، سرویس پیش بینی مقیاس)
طراحی و اجرای خطوط لوله آموزشی (شناسایی اجزا، مدیریت چارچوب ارکستراسیون، طراحی استراتژی های ترکیبی یا چند ابری، استفاده از اجزای TFX)
معماری MLOps با استفاده از TensorFlow Extended، Vertex AI Pipelines و Cloud
Architecture for MLOps using TensorFlow Extended, Vertex AI Pipelines, and Cloud
Vertex AI
Vertex AI
مقدمه Vertex AI
Vertex AI Introduction
ایجاد مشاغل آموزشی سفارشی
Create Custom Training Jobs
مصنوعات مدل را برای پیش بینی صادر کنید
Export model artifacts for prediction
فروشگاه ویژگی Vertex AI
Vertex AI Feature Store
مانیتورینگ مدل Vertex AI
Vertex AI Model Monitoring
هوش مصنوعی Vertex Explainable
Vertex Explainable AI
Vertes AI Vizier
Vertes AI Vizier
BigQuery ML
BigQuery ML
BigQuery ML
BigQuery ML
انواع مدل BigQuery ML
BigQuery ML Model Types
مهندسی ویژگی در BigQuery
Feature Engineering in BigQuery
BigQuery ML - Hands On Demo
BigQuery ML - Hands On Demo
پرسش و پاسخ را با توضیحات تمرین کنید
Practice Questions and Answers with Explanations
مقدمه + هدف و انگیزه برای فرمت ویدیو + مرور
Introduction + Purpose and Motivation for Video Format + Walkthrough
نمایش نظرات