آموزش تجزیه و تحلیل داده های اکتشافی با یادگیری ماشین AWS

Exploratory Data Analysis with AWS Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: درک نحوه برخورد با داده ها در عصر اطلاعات به مهارت مورد نیاز تبدیل می شود. این دوره به شما یاد می دهد که چگونه تجزیه و تحلیل داده های اکتشافی و استفاده از سرویس های مربوط به AWS را انجام دهید. شناخت روندهای اساسی و مهمترین موارد در داده ها یک مرحله ضروری برای انجام آماده سازی مناسب داده ها و مهندسی ویژگی برای کارهای بعدی یادگیری ماشین است. در این دوره ، تجزیه و تحلیل داده های اکتشافی با یادگیری ماشین AWS ، شما می آموزید که چگونه مجموعه داده های مهندس را تجزیه و تحلیل ، تجسم ، پیش پردازش و ویژگی کنید تا آنها را برای مراحل بعدی یادگیری ماشین آماده کنید. ابتدا ، نحوه درک روند و توزیع داده ها را با استفاده از آمار اولیه کشف خواهید کرد. در مرحله بعدی ، خواهید فهمید که چگونه مجموعه داده خود را برای درک الگوهای کلی تجسم می کنید. سرانجام ، شما می آموزید که چگونه با انجام پیش پردازش و مهندسی ویژگی ، داده های خود را برای خط لوله یادگیری ماشین آماده کنید. پس از پایان این دوره ، مهارت و دانش تجزیه و تحلیل داده های اکتشافی مورد نیاز برای دستیابی به گواهینامه تخصصی یادگیری ماشین AWS را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

یادگیری ماشین با AWS Machine Learning with AWS

  • بررسی اجمالی Overview

  • تازه سازی: خط لوله یادگیری ماشین AWS Refresher: AWS Machine Learning Pipeline

  • درباره آزمون تخصصی یادگیری ماشین AWS About AWS Machine Learning Specialty Exam

  • درباره دوره About the Course

  • تجزیه و تحلیل داده چیست؟ What Is Data Analysis?

  • معرفی مجموعه داده های ما Introducing Our Dataset

  • نسخه ی نمایشی: تنظیم محیط زیست Demo: Setting up the Environment

  • خلاصه Summary

تجزیه و تحلیل داده ها با استفاده از AWS Data Analysis Using AWS

  • بررسی اجمالی Overview

  • تیم تجزیه و تحلیل داده های Globomantics Globomantics Data Analysis Team

  • داده ها در دنیای واقعی Data in the Real World

  • نامگذاری مواردی مانند یک حرفه ای Naming Things Like a Pro

  • تازه سازی آمار Statistics Refresher

  • تازه سازی احتمال Probability Refresher

  • کجی و کورتوز Skewness and Kurtosis

  • نسخه ی نمایشی: تجزیه و تحلیل داده ها با استفاده از AWS Demo: Data Analysis Using AWS

  • خلاصه Summary

تجسم داده با استفاده از AWS Data Visualization Using AWS

  • بررسی اجمالی Overview

  • چرا تجزیه و تحلیل داده ها؟ Why Data Analysis?

  • استفاده از تجزیه و تحلیل داده ها Usage of Data Analysis

  • طرح جعبه و ویسکر Box and Whisker Plot

  • انواع تجسم ها Types Of Visualizations

  • نسخه ی نمایشی: تجسم AWS SageMaker Demo: AWS SageMaker Visualization

  • AWS QuickSight AWS QuickSight

  • نسخه ی نمایشی: Amazon QuickSight Demo: Amazon QuickSight

  • خلاصه Summary

آماده سازی داده ها با استفاده از AWS Data Preparation Using AWS

  • بررسی اجمالی Overview

  • چرا آماده سازی داده ها؟ Why Data Preparation?

  • چالش عدم تعادل داده ها Imbalanced Data Challenge

  • مقیاس چالش ویژگی ها Scale of Features Challenge

  • چالش قالب های متناقض Inconsistent Formats Challenge

  • ارائه دشوار چالش داده ها Difficult Presentation of Data Challenge

  • داده چالش موجود نیست Missing Data Challenge

  • چالش Outlier Outliers Challenge

  • چالش با ابعاد بالا High Dimensionality Challenge

  • ویژگی های بسیار مرتبط چالش Highly Correlated Features Challenge

  • چالش توزیع ناقص Malformed Distribution Challenge

  • نسخه ی نمایشی: رفع ارزش های از دست رفته Demo: Fixing Missing Values

  • نسخه ی نمایشی: حذف ویژگی های بسیار مرتبط Demo: Removing Highly Correlated Features

  • نسخه ی نمایشی: حذف Outlier ها Demo: Removing Outliers

  • نسخه ی نمایشی: رفع ارائه دشوار داده ها Demo: Fixing Difficult Presentation of Data

  • نسخه ی نمایشی: اصلاح مقیاس داده ها Demo: Fixing Scale of Data

  • نسخه ی نمایشی: رفع توزیع ناقص Demo: Fixing Malformed Distribution

  • خلاصه Summary

نمایش نظرات

آموزش تجزیه و تحلیل داده های اکتشافی با یادگیری ماشین AWS
جزییات دوره
2h 16m
45
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
20
4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mohammed Osman Mohammed Osman

محمد عثمان یک مهندس ارشد نرم افزار است که از 13 سالگی کد نویسی را آغاز کرد. محمد در صنایع مختلفی از جمله مخابرات ، حسابداری ، بانکداری ، بهداشت و اطمینان کار می کرد. مهارت های هسته ای محمد یک اکوسیستم دات نت است که تمرکز زیادی روی C # و Azure دارد. محمد همچنین از جنبه نرم مهندسی نرم افزار لذت می برد و تیم های scrum را هدایت می کند. محمد یک وبلاگ را با پیام "هوشمند کردن کد شما و کار شما هوشمندتر" اداره می کند ، جایی که او نکات و تکنیک هایی را برای بهبود کد شما و توصیه های ارزشمند شغلی به اشتراک می گذارد.