مقدمه ای بر یادگیری ماشین در AWS

Introduction to Machine Learning on AWS

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

این دوره با ترکیبی از دوره‌های آموزشی، آزمون‌ها و آزمایشگاه‌های عملی، مقدمه‌ای بر مفاهیم یادگیری ماشین ارائه می‌کند.

ما با مقدمه ای بر مفاهیم یادگیری ماشین شروع می کنیم. سپس خواهید آموخت که چگونه خدمات یادگیری ماشین آمازون را برای ایجاد و استفاده از مدل های یادگیری ماشین پیاده سازی کنید.

سپس این دوره بررسی دقیق تری از یادگیری عمیق و شبکه های عصبی ارائه می دهد. این دوره شامل دو آزمایشگاه است که در آن تجربه عملی کار با شبکه های عصبی را خواهید داشت. آزمایشگاه "CPU در مقابل GPU" مزیت عملکرد آموزش یک شبکه عصبی بر روی یک GPU را برجسته می کند. آزمایشگاه "MXNet Style Images" یک مورد استفاده جالب را نشان می دهد که در آن می توان از یک شبکه عصبی استفاده کرد.

یک امتحان ارزیابی در پایان دوره وجود دارد تا به ارزیابی و اعتبار بخشیدن به درک شما از یادگیری ماشین در AWS کمک کند.

مخاطب مورد نظر

این دوره برای هر کسی که علاقه مند به شروع با مفاهیم و خدمات یادگیری ماشین است مناسب است.

اهداف آموزشی

با تکمیل این دوره شما قادر خواهید بود:

  • مفاهیم اصلی یادگیری ماشینی را بشناسید و توضیح دهید.
  • خدمات یادگیری ماشینی آمازون و آمازون خدمات یادگیری ماشینی را توضیح داده و اعمال کنید.
  • یادگیری تحت نظارت و بدون نظارت، طبقه بندی و رگرسیون، الگوریتم ها، یادگیری عمیق و شبکه های عصبی عمیق را در AWS توضیح داده و اعمال کنید.

پیش نیازها

درکی از مفاهیم ابری به جذب شما از این محتوا کمک می کند. اگر در رایانش ابری تازه کار هستید، پیشنهاد می کنم اولی را تکمیل کنید.

محتوا

این دوره شامل 5 ساعت ویدیو با کیفیت بالا، 2 آزمایشگاه عملی، آزمون‌ها و یک آزمون ارزیابی است.

بازخورد

ما از همه بازخوردها استقبال می‌کنیم، بنابراین لطفاً نظرات یا سؤالات خود را در مورد این دوره به آدرس .

برای ما ارسال کنید

سرفصل ها و درس ها

مقدمه ای بر یادگیری ماشین در دوره AWS Introduction to Machine Learning on AWS Course

  • مقدمه ای بر یادگیری ماشین در دوره AWS Introduction to Machine Learning on AWS Course

مقدمه ای بر مفاهیم یادگیری ماشینی Introduction to Machine Learning Concepts

  • مقدمه درس Lesson Introduction

  • مفاهیم اساسی Basic Concepts

  • یادگیری تحت نظارت Supervised Learning

  • یادگیری بدون نظارت Unsupervised Learning

  • الگوریتم های یادگیری ماشین Machine Learning Algorithms

  • یادگیری عمیق و شبکه های عصبی عمیق Deep Learning and Deep Neural Networks

  • مرور درس Lesson Review

مقدمه ای بر داده ها و یادگیری ماشینی Introduction to Data and Machine Learning

  • مروری بر یادگیری عمیق Overview to Deep Learning

  • مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

  • برنامه های کاربردی دنیای واقعی Real World Applications

  • Anaconda 3 را دانلود و نصب کنید Download and Install Anaconda 3

  • راه اندازی Walkthrough Set Up Walkthrough

  • بررسی پوشه درس Lesson Folder Walkthrough

  • اولین مدل یادگیری عمیق First Deep Learning Model

ماژول 0 - یادگیری ماشینی چیست؟ - بخش اول Module 0 - What is Machine Learning? - Part One

  • مقدمه ای بر هوش مصنوعی Introduction to AI

  • تاریخچه هوش مصنوعی The history of AI

  • اخلاق هوش مصنوعی The ethics of AI

  • نمونه هایی از هوش مصنوعی موجود (یادگیری ماشینی) Examples of existing AI (machine learning)

  • مقدمه ای بر داده ها Introduction to Data

  • داده در مقابل کلان داده Data vs Big Data

  • متغیرها و داده ها Variables & Data

  • هوش مصنوعی ضعیف در مقابل استنتاج آماری محاسباتی Weak AI vs computational statistical inference

  • نمونه های خاص از یادگیری ماشینی Specific examples of machine learning

  • مقدمه ای بر نت نویسی Introduction to notation

  • مشکلات یادگیری تحت نظارت - قسمت 1 Supervised learning problems - Part 1

  • مشکلات یادگیری تحت نظارت - قسمت 2 Supervised learning problems - Part 2

  • مشکلات یادگیری تحت نظارت - قسمت 3 Supervised learning problems - Part 3

ماژول 0 - یادگیری ماشینی چیست؟ - بخش دوم Module 0 - What is Machine Learning? - Part Two

  • یادگیری بدون نظارت Unsupervised Learning

  • مبانی نظری یادگیری ماشین The Theoretical Basis of Machine Learning

  • یافتن مدل با رگرسیون خطی - قسمت 1 Finding the Model with Linear Regression - Part 1

  • یافتن مدل با رگرسیون خطی - قسمت 2 Finding the Model with Linear Regression - Part 2

  • مسائل مربوط به یادگیری ماشین - شکاف معنایی Issues with Machine Learning – The Semantic Gap

  • مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 1 Issues with Machine Learning – Approximating the Truth - Part 1

  • مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 2 Issues with Machine Learning – Approximating the Truth - Part 2

مقدمه ای بر یادگیری ماشین در دوره AWS را مرور کنید Review for Introduction to Machine Learning on AWS Course

  • مرور Review

نمایش نظرات

مقدمه ای بر یادگیری ماشین در AWS
جزییات دوره
4h 22m
36
CloudAcademy CloudAcademy
(آخرین آپدیت)
3,758
4.9 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

Jeremy Cook Jeremy Cook

جرمی یک معمار اصلی محتوا و SME DevOps در اینجا در آکادمی Cloud است، جایی که او در توسعه مستندات آموزشی فنی DevOps تخصص دارد.

او پیشینه قوی در مهندسی نرم‌افزار دارد و با زبان‌های مختلف کدنویسی کرده است. چارچوب ها و سیستم ها برای 25+ سال گذشته. در زمان‌های اخیر، جرمی روی DevOps، Cloud (AWS، Azure، GCP)، امنیت، Kubernetes و یادگیری ماشین تمرکز کرده است.

جرمی دارای گواهینامه‌های حرفه‌ای برای AWS، Azure، GCP، Terraform، Kubernetes است ( CKA، CKAD، CKS).

Jeremy Cook Jeremy Cook

جرمی یک معمار اصلی محتوا و SME DevOps در اینجا در آکادمی Cloud است، جایی که او در توسعه مستندات آموزشی فنی DevOps تخصص دارد.

او پیشینه قوی در مهندسی نرم‌افزار دارد و با زبان‌های مختلف کدنویسی کرده است. چارچوب ها و سیستم ها برای 25+ سال گذشته. در زمان‌های اخیر، جرمی روی DevOps، Cloud (AWS، Azure، GCP)، امنیت، Kubernetes و یادگیری ماشین تمرکز کرده است.

جرمی دارای گواهینامه‌های حرفه‌ای برای AWS، Azure، GCP، Terraform، Kubernetes است ( CKA، CKAD، CKS).