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
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
منابع دوره
Course Resources
-
منابع دوره
Course Resources
نمایش نظرات