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

  • کاوش داده ها (تجسم، مبانی آماری، کیفیت داده، محدودیت های داده)

  • 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)

  • اجرای خطوط لوله سرویس (مدیریت گزینه‌های سرویس، آزمایش عملکرد هدف، پیکربندی برنامه‌ها)

  • ردیابی و ممیزی فراداده (سازماندهی و ردیابی آزمایش‌ها، مدیریت نسخه‌سازی مدل/مجموعه داده، درک اصل و نسب مدل/مجموعه داده)

  • نظارت و عیب‌یابی راه‌حل‌های ML (اندازه‌گیری عملکرد، استراتژی‌های ثبت، ایجاد معیارهای ارزیابی مستمر)

  • تنظیم عملکرد برای آموزش و خدمت در تولید (بهینه سازی خط لوله ورودی، استفاده از تکنیک های ساده سازی)


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

مهندسی داده Data Engineering

  • انواع داده ها - کیفی، اسمی، ترتیبی، کمی، پیوسته، گسسته Types of Data - Qualitative,Nominal,Ordinal,Quantitative,Continuous,Discrete

  • انواع داده ها - ساختار یافته، بدون ساختار، نیمه ساختار یافته Types of Data - Structured,Unstructured,Semi-structured

  • نحوه بهبود کیفیت داده ها How to Improve Data Quality

  • تجزیه و تحلیل داده های اکتشافی (EDA) Exploratory Data Analysis (EDA)

  • نحوه استفاده از EDA در یادگیری ماشینی How EDA is Used in Machine Learning

  • تجزیه و تحلیل و تجسم داده ها Data analysis and visualization

مهندسی ویژگی Feature Engineering

  • ویژگی ها و برچسب ها Features and Labels

  • مهندسی ویژگی Feature Engineering

  • دقت، دقت، فراخوان، FPR، امتیاز F1، ماتریس سردرگمی، ROC، ROC-AUC Accuracy, Precision, Recall, FPR, F1-Score, Confusion Matrix, ROC, ROC-AUC

  • بیش از حد، تعصب، واریانس، عملکرد از دست دادن، L1، L2 منظم Overfitting, Bias, Variance, Loss Function, L1, L2 Regularization

  • فراپارامترها Hyperparameters

مقدمه ای بر علم داده، یادگیری ماشین، یادگیری Al و Deep Learning Introduction to Data Science, Machine Learning, Al and Deep Learning

  • مقدمه ای بر علم داده، یادگیری ماشین، هوش مصنوعی و یادگیری عمیق Introduction to Data Science, Machine Learning, AI and Deep Learning

  • سرویس‌ها و APIهای یادگیری ماشین ابری Google Google Cloud Machine Learning Services and APIs

  • انواع یادگیری ماشینی Types of Machine Learning

  • یادگیری تحت نظارت Supervised Learning

  • رگرسیون خطی Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • یادگیری ماشین در مقابل یادگیری عمیق Machine Learning Vs. Deep Learning

  • یادگیری ماشین خودکار Automated Machine Learning

  • ارزیابی مدل های AutoML Evaluating AutoML Models

  • 5 الگوریتم یادگیری ماشین توضیح داده شده - LR، LR، DT، RF و SVM 5 Machine Learning Algorithms Explained - LR, LR, DT, RF and SVM

  • الگوریتم K-Means K-Means Algorithm

مقدمه ای بر شبکه های عصبی و یادگیری عمیق Introduction to Neural Networks and Deep Learning

  • مقدمه ای بر شبکه های عصبی و یادگیری عمیق Introduction to Neural Networks and Deep Learning

  • گرادیان نزول Gradient Descent

  • توابع از دست دادن Loss Functions

  • توابع فعال سازی Activation Functions

  • روش های گروه Ensemble Methods

Tensorflow، Tensorflow در Google Cloud Tensorflow, Tensorflow on Google Cloud

  • مقدمه ای بر تنسورفلو Introduction to Tensorflow

  • Tensorflow - اسکالر، وکتور، ماتریس، تانسورهای 4 بعدی Tensorflow - Scalar, Vector, Matrix, 4D Tensors

  • API های تنسورفلو Tensorflow APIs

  • API های tf.data.Dataset Tensorflow Tensorflow's tf.data.Dataset APIs

  • مدیریت داده های TensorFlow TensorFlow Data Handling

  • جاسازی ها Embeddings

  • TensorFlow 2 و Keras Functional API TensorFlow 2 and the Keras Functional API

  • نمای کلی TensorFlow Extended (TFX). TensorFlow Extended (TFX) Overview

  • 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

  • بخش 1 - 10 سوال Part 1 - 10 Questions

  • بخش 2 - 10 سوال Part 2 - 10 Questions

  • بخش 3 - 10 سوال Part 3 - 10 Questions

  • بخش 4 - 10 سوال Part 4 - 10 Questions

  • بخش 5 - 10 سوال Part 5 - 10 Questions

  • بخش 6 - 10 سوال Part 6 - 10 Questions

  • بخش 7 - 10 سوال Part 7 - 10 Questions

  • بخش 8 - 10 سوال Part 8 - 10 Questions

  • بخش 9 - 10 سوال Part 9 - 10 Questions

  • بخش 10 - 10 سوال Part 10 - 10 Questions

  • قسمت 11 - 10 سوال Part 11 - 10 Questions

  • بخش 12 - 10 سوال Part 12 - 10 Questions

  • بخش 13 - 10 سوال Part 13 - 10 Questions

  • قسمت 14 - 7 سوال Part 14 - 7 Questions

نمایش نظرات

آموزش مهندس حرفه ای یادگیری ماشین گواهی شده گوگل
جزییات دوره
16.5 hours
63
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
9,633
4.5 از 5
دارد
دارد
دارد
Deepak Dubey
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Deepak Dubey Deepak Dubey

مربی مستقل