آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud

Managing Machine Learning Projects with Google Cloud

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: متخصصان تجاری در نقش‌های غیرفنی فرصتی منحصر به فرد برای رهبری یا تأثیرگذاری بر پروژه‌های یادگیری ماشینی دارند. متخصصان تجاری در نقش‌های غیر فنی فرصتی منحصر به فرد برای رهبری یا تأثیرگذاری بر پروژه‌های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدانید که چگونه از آن بدون اصطلاحات فنی استفاده کنید، این دوره برای شما مناسب است. بیاموزید که چگونه مشکلات تجاری را به موارد استفاده از یادگیری ماشین ترجمه کنید و آنها را از نظر امکان سنجی و تأثیر بررسی کنید. دریابید که چگونه می توانید موارد استفاده غیرمنتظره را کشف کنید، مراحل پروژه ML و ملاحظات هر کدام را بشناسید، و اطمینان حاصل کنید که یک مورد استفاده سفارشی ML را به تیم یا رهبری خود پیشنهاد دهید یا الزامات را به یک تیم فنی ترجمه کنید.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

شناسایی ارزش تجاری برای استفاده از ML Identifying business value for using ML

  • معرفی Introduction

  • هوش مصنوعی در مقابل ML در مقابل یادگیری عمیق AI vs ML vs Deep Learning

  • فاز 1: ارزیابی امکان سنجی Phase 1: Assess feasibility

  • ارزیابی امکان سنجی موارد استفاده از ML را تمرین کنید Practice assessing the feasibility of ML use cases

  • ماژول 2: کاربرگ Module 2: Worksheet

تعریف ML به عنوان یک عمل Defining ML as a practice

  • انواع مشکلات رایج ML Common ML problem types

  • الگوریتم و داده های استاندارد Standard algorithm and data

  • کیفیت داده Data quality

  • بینش و تصمیمات پیش بینی کننده Predictive insights and decisions

  • نمونه های بیشتر ML More ML examples

  • سری تمرین: مورد استفاده ML را تجزیه و تحلیل کنید Practice series: Analyze the ML use case

  • ماژول 3: کاربرگ Module 3: Worksheet

  • نجات زنبورهای دنیا Saving the world's bees

  • دستیار Google برای دسترسی Google Assistant for accessibility

  • بررسی تمرین و چرا ML در حال حاضر Exercise review and Why ML now

ساخت و ارزیابی مدل های ML Building and evaluating ML models

  • ویژگی ها و برچسب ها Features and labels

  • ساخت مجموعه داده های برچسب دار Building labeled datasets

  • آموزش مدل ML Training an ML model

  • بهترین شیوه های عمومی General best practices

  • آشنایی با آزمایشگاه های عملی Introduction to hands-on labs

  • آزمایشگاه: شناسایی قطعات آسیب دیده خودرو با AutoML Vision Lab: Identifying damaged car parts with AutoML Vision

  • آزمایشگاه 1: بررسی Lab 1: Review

استفاده مسئولانه و اخلاقی از ML Using ML responsibly and ethically

  • سوگیری انسانی در ML Human bias in ML

  • اصول هوش مصنوعی گوگل Google's AI Principles

  • انواع رایج تعصبات انسانی Common types of human bias

  • ارزیابی عدالت مدل Evaluating model fairness

  • دستورالعمل ها و آزمایشگاه عملی Guidelines and Hands-on Lab

  • آزمایشگاه: بررسی یک مجموعه داده برای بایاس با استفاده از اعتبارسنجی داده‌های TensorFlow و نمای کلی جنبه‌ها Lab: Inspecting a Dataset for Bias using TensorFlow Data Validation and Facets Overview

  • آزمایشگاه 2: بررسی Lab 2: Review

کشف موارد استفاده از ML در تجارت روزمره Discovering ML use cases in day-to-day business

  • جایگزینی سیستم های مبتنی بر قانون با ML Replacing rule-based systems with ML

  • فرآیندها را خودکار کنید و داده های بدون ساختار را درک کنید Automate processes and understand unstructured data

  • برنامه ها را با ML شخصی سازی کنید Personalize applications with ML

  • استفاده های خلاقانه ML Creative uses of ML

  • تجزیه و تحلیل احساسات و آزمایشگاه عملی Sentiment analysis and Hands-on Lab

  • آزمایشگاه: تجزیه و تحلیل احساسات با API زبان طبیعی Lab: Sentiment Analysis with Natural Language API

  • آزمایشگاه 3: بررسی Lab 3: Review

مدیریت پروژه های ML با موفقیت Managing ML projects successfully

  • ملاحظات کلیدی 1: ارزش تجاری Key consideration 1: business value

  • استراتژی داده (ارکان 1-3) Data strategy (pillars 1–3)

  • استراتژی داده (ارکان 4-7) Data strategy (pillars 4–7)

  • حاکمیت داده Data governance

  • تیم های موفق ML را بسازید Build successful ML teams

  • فرهنگ نوآوری و آزمایشگاه عملی ایجاد کنید Create a culture of innovation and Hands-on Lab

  • آزمایشگاه: یک مدل ML را با BigQuery ML ارزیابی کنید Lab: Evaluate an ML model with BigQuery ML

  • آزمایشگاه 4: بررسی Lab 4: Review

خلاصه Summary

  • خلاصه Summary

منابع دوره Course Resources

  • منابع دوره Course Resources

نمایش نظرات

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.

آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud
جزییات دوره
4h 22m
47
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.