کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش اتوماسیون وظایف علوم داده با هوش مصنوعی مولد - آخرین آپدیت

دانلود Automating Data Science Tasks with Generative AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: وظایف تکراری و چندمرحله‌ای بخش جدایی‌ناپذیری از کارهای واقعی در حوزه علوم داده هستند. پاک‌سازی مجموعه‌داده‌ها، ایجاد خلاصه های اکتشافی، تنظیم مدل‌ها و اتصال نتایج می‌تواند زمان ارزشمندی را حتی برای متخصصان با تجربه مصرف کند. هوش مصنوعی مولد (Generative AI)، روشی کاربردی برای اتوماسیون بخش زیادی از این تلاش‌ها ارائه می‌دهد، به شرطی که متفکرانه و با چارچوب‌های مشخص به کار گرفته شود. در این دوره، «اتوماسیون وظایف علوم داده با هوش مصنوعی مولد»، شما توانایی استفاده از هوش مصنوعی مولد به همراه پایتون را برای بهینه‌سازی و سازماندهی گردش‌های کاری رایج در علوم داده به دست خواهید آورد. ابتدا، بررسی خواهید کرد که چگونه می‌توان با زنجیره‌سازی پرامپت‌ها برای مدیریت پاک‌سازی داده‌ها، اعتبارسنجی و تحلیل اکتشافی داده‌ها (EDA)، وظایف تکراری و چندمرحله‌ای را خودکار کرد. خواهید دید که چگونه هوش مصنوعی مولد می‌تواند کدهای مبتنی بر pandas را برای پاک‌سازی داده‌های نامنظم، خلاصه‌سازی آمارهای کلیدی و شناسایی مشکلات احتمالی کیفیت داده‌ها تولید کند، در حالی که کنترل فرآیند همچنان در دست شماست. سپس، کشف خواهید کرد که هوش مصنوعی مولد چگونه می‌تواند از گردش‌های کاری مدل‌سازی پشتیبانی کند. این شامل تولید خط لوله‌های پایه (baseline pipelines)، کمک به تنظیم هایپرپارامترها و اعتبارسنجی متقاطع (cross-validation) و خلاصه‌سازی عملکرد مدل است. همچنین بررسی خواهید کرد که چگونه AI می‌تواند الگوهای رایج AutoML را با استفاده از کتابخانه‌هایی مانند Auto-sklearn یا PyCaret، بدون نیاز به تخصص عمیق در هر جزئیات پیکربندی، دنبال کند. در نهایت، خواهید آموخت که چگونه عامل‌های هوش مصنوعی (AI agents) استراتژی‌های اتوماسیون پیشرفته‌تری را ممکن می‌سازند. شما تعریف خواهید کرد که چه چیزی یک عامل AI را از یک پرامپت تک را متمایز می‌کند و بررسی خواهید کرد که چگونه فریم‌ورک‌هایی مانند LangChain و CrewAI، هوش مصنوعی مولد را به APIها، پایگاه‌های داده و نوت‌بوک‌ها متصل می‌کنند تا گردش‌های کاری سرتاسری (end-to-end) را خودکار کنند. به همان اندازه مهم است که ارزیابی کنید چه زمانی رویکردهای مبتنی بر عامل منطقی هستند و چه زمانی اتوماسیون ساده‌تر، انتخاب بهتری است. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه اتوماسیون مبتنی بر هوش مصنوعی مولد را خواهید داشت تا وظایف تکراری علوم داده را بهینه کنید، گردش‌های کاری چندمرحله‌ای را به هم متصل نمایید، در تنظیم مدل و خط لوله‌های AutoML کمک بگیرید و راهکارهای کاربردی مبتنی بر عامل را برای پروژه‌های خود طراحی کنید.
سرفصل ها و درس ها

شروع کار با علوم داده و هوش مصنوعی Getting Started with Data Science and AI

  • چرا هوش مصنوعی مولد برای وظایف داده‌ای مفید است Why Generative AI Is Useful for Data Tasks

  • دمو: پاک‌سازی داده‌ها با کمک هوش مصنوعی Demo: AI-assisted Data Cleaning

  • زنجیره‌سازی وظایف تحلیل اکتشافی داده‌ها (EDA) Chaining EDA Tasks

اتوماسیون مدل‌سازی و گردش‌های کاری تنظیم مدل با AI Automating Modeling and Tuning Workflows with AI

  • راه‌اندازی و تنظیم مدل با کمک هوش مصنوعی AI-assisted Model Setup and Tuning

  • استفاده از الگوهای AutoML Using AutoML Patterns

استفاده از عامل‌های هوش مصنوعی برای اتوماسیون جامع داده‌ها Using AI Agents for End-to-end Data Automation

  • عامل‌های هوش مصنوعی چیستند و چرا اهمیت دارند What AI Agents Are and Why They Matter

  • اتصال هوش مصنوعی به ابزارها و گردش‌های کاری Connecting AI to Tools and Workflows

  • انتخاب سطح مناسب اتوماسیون Choosing the Right Level of Automation

آموزش سیستم‌های RAG چندوجهی (Multi-modal RAGs)

آموزش سیستم‌های RAG چندوجهی (Multi-modal RAGs)

دانلود Multi-modal RAGs

آموزش ادغام کلود 3

آموزش ادغام کلود 3

Claude 3 Integration

کار با مدل های از پیش آموزش دیده NLP

کار با مدل های از پیش آموزش دیده NLP

Working with Pre-trained NLP Models

نمایش نظرات

آموزش اتوماسیون وظایف علوم داده با هوش مصنوعی مولد
جزییات دوره
28m
8
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
1
از 5
دارد
دارد
دارد

https://donyad.com/d/c480a6

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anthony Alampi Anthony Alampi

من آنتونی آلامپی هستم ، یک طراح و توسعه دهنده تعاملی ساکن آستین ، تگزاس. من یک توسعه دهنده حرفه ای بازی های ویدیویی و صاحب فعلی شرکت طراحی وب با بیش از 15 سال تجربه برنامه نویسی و بیش از 7 سال تجربه طراحی هستم. طراحی کاربر محور علاقه من است و معتقدم وقتی کاربران در اولویت قرار می گیرند ، دوباره برمی گردند! نمونه کارهای شخصی من را می توانید در این آدرس مشاهده کنید: https://www.anthonyalampi.com/درباره شرکت من: مشاوران X Factor یک شرکت طراحی دیجیتال است که در Round Rock ، تگزاس مستقر است. ما در ایجاد وب سایت های تمیز ، کاربر پسند و آرم های چشم نواز ، رسانه های دیجیتال و سایر مواد بازاریابی برای طیف گسترده ای از صنایع تخصص داریم. ما همچنین خدمات اصلی نوشتن محتوای UX دوستانه را برای رسانه های تعاملی و همچنین پشتیبانی وب مستر پس از راه اندازی مشتری آنلاین خود را ارائه می دهیم. درباره کارهایی که X Factor می تواند برای سازمان شما انجام دهد بیشتر بدانید: https://www.xfactorconsultants.com/

Large Language Model (LLM) Generative AI Data science مدل‌های زبانی بزرگ (LLM) هوش مصنوعی مولد علوم داده