شروع کار با مدل های یادگیری ماشینی

Getting Started with Machine Learning Models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

این دوره به بررسی مفاهیم اصلی یادگیری ماشینی، مدل‌های موجود و نحوه آموزش آنها می‌پردازد. ما نگاهی عمیق‌تر به معنای آموزش یک مدل یادگیری ماشین و همچنین داده‌ها و روش‌های مورد نیاز برای انجام آن خواهیم داشت. ما همچنین یک نمای کلی از رایج‌ترین مدل‌هایی که احتمالاً با آن‌ها روبرو می‌شوید ارائه می‌کنیم و رویکردی عملی برای درک زمان و نحوه استفاده از آنها برای حل مشکلات تجاری اتخاذ می‌کنیم. سپس یک سری از مطالعات موردی را به صورت ساختار یافته انجام می دهیم که به شما نشان می دهد چگونه مفاهیم مطرح شده در این دوره را در نمونه های واقعی به کار ببرید.

سپس مفاهیم تحت پوشش دوره را با آزمایشگاه‌های عملی امتحان می‌کنیم.

اهداف آموزشی

  • مفاهیم و مدل های کلیدی مرتبط با یادگیری ماشین را درک کنید
  • نحوه استفاده از مجموعه داده های آموزشی با مدل های یادگیری ماشین را بیاموزید
  • بیاموزید که چگونه بهترین مدل یادگیری ماشینی را متناسب با نیاز خود انتخاب کنید
  • درک کنید که چگونه می توان مفاهیم یادگیری ماشین را در سناریوهای دنیای واقعی در قیمت ملک، سلامت، طبقه بندی حیوانات و فعالیت های بازاریابی به کار برد

مخاطب مورد نظر

این دوره برای کسانی در نظر گرفته شده است که:

  • علاقه مند به درک مدل های یادگیری ماشین در سطح عمیق تر هستید
  • به دنبال تقویت درک خود از یادگیری ماشین و نحوه استفاده از آن برای حل مشکلات پیچیده هستند
  • به دنبال ایجاد پایه ای برای یادگیری مداوم در فضای یادگیری ماشین و علم داده به طور کلی

پیش نیازها

برای استفاده حداکثری از این دوره، باید درک کلی از مفاهیم داده و همچنین آشنایی با ارائه دهندگان ابر و خدمات مدیریت شده آنها، به ویژه آمازون یا گوگل داشته باشید. برخی از تجربه ها در داده ها یا توسعه ارجح است اما ضروری نیست.

بازخورد

اگر بازخوردی در رابطه با این دوره دارید، با ما در تماس باشید.


سرفصل ها و درس ها

مدل های متداول یادگیری ماشین و نحوه آموزش آنها Common Machine Learning Models & How to Train Them

  • مقدمه درس Lesson Introduction

  • تبیین مفاهیم Explaining Concepts

  • مدل ها Models

  • درک مجموعه داده های آموزشی Understanding Training Data Sets

  • چگونه انتخاب کنیم؟ How to Choose?

  • مطالعه موردی: قیمت خانه Case Study: Home Prices

  • مطالعه موردی: بیماری قلبی Case Study: Heart Disease

  • مطالعه موردی: طبقه بندی حیوانات Case Study: Animal Classification

  • مطالعه موردی: بازاریابی هدفمند Case Study: Targeted Marketing

معرفی SageMaker Introduction to SageMaker

  • مقدمه درس Lesson Introduction

  • مروری بر Amazon Sagemaker Overview of Amazon Sagemaker

  • آماده سازی داده ها Preparing Data

  • ساخت یک مدل Building a Model

  • آموزش مدل Training the Model

  • استقرار مدل Deploying the Model

  • نتیجه گیری دوره Course Conclusion

نمایش نظرات

شروع کار با مدل های یادگیری ماشینی
جزییات دوره
1h 26m
16
CloudAcademy CloudAcademy
(آخرین آپدیت)
613
5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Calculated Systems Calculated Systems

Calculated Systems توسط کارشناسان Hadoop، Google Cloud و AWS تأسیس شد. سیستم‌های محاسبه‌شده، ضبط، نقشه‌برداری و تبدیل داده‌ها را بدون کد در فضای ابری بر اساس Apache NiFi، یک پروژه منبع باز که در ابتدا در NSA توسعه داده شد، امکان‌پذیر می‌سازد. سیستم های محاسبه شده با حفظ یکپارچگی داده ها، زمان را برای بازاریابی برای نوآوری های جدید تسریع می بخشد.  با ابزارهای اتوماسیون ابری، تخصص عمیق در صنعت و تجربه تولید بارهای کاری چرخه های توسعه به کسری از زمان عادی خود کاهش می یابد. توانایی توسعه سریع دریافت و پردازش داده‌ها در مقیاس بزرگ، خطری را که شرکت‌ها در چرخه‌های توسعه طولانی با آن مواجه هستند، کاهش می‌دهد. سیستم های محاسبه شده یکی از پیشروان صنعت در تبدیل داده های بزرگ و آموزش این فناوری های پیچیده است.

Calculated Systems Calculated Systems

Calculated Systems توسط کارشناسان Hadoop، Google Cloud و AWS تأسیس شد. سیستم‌های محاسبه‌شده، ضبط، نقشه‌برداری و تبدیل داده‌ها را بدون کد در فضای ابری بر اساس Apache NiFi، یک پروژه منبع باز که در ابتدا در NSA توسعه داده شد، امکان‌پذیر می‌سازد. سیستم های محاسبه شده با حفظ یکپارچگی داده ها، زمان را برای بازاریابی برای نوآوری های جدید تسریع می بخشد.  با ابزارهای اتوماسیون ابری، تخصص عمیق در صنعت و تجربه تولید بارهای کاری چرخه های توسعه به کسری از زمان عادی خود کاهش می یابد. توانایی توسعه سریع دریافت و پردازش داده‌ها در مقیاس بزرگ، خطری را که شرکت‌ها در چرخه‌های توسعه طولانی با آن مواجه هستند، کاهش می‌دهد. سیستم های محاسبه شده یکی از پیشروان صنعت در تبدیل داده های بزرگ و آموزش این فناوری های پیچیده است.