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