آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud

مقدمه Introduction

• مقدمه Introduction

شناسایی ارزش تجاری برای استفاده از ML Identifying business value for using ML

• مقدمه Introduction

• هوش مصنوعی در مقابل ML در مقابل یادگیری عمیق AI vs ML vs Deep Learning

• فاز 1: ارزیابی امکان سنجی Phase 1: Assess feasibility

• ارزیابی امکان سنجی موارد استفاده از ML را تمرین کنید Practice assessing the feasibility of ML use cases

• ماژول 2: کاربرگ Module 2: Worksheet

تعریف ML به عنوان یک عمل Defining ML as a practice

• انواع مشکلات رایج ML Common ML problem types

• الگوریتم و داده های استاندارد Standard algorithm and data

• کیفیت داده Data quality

• بینش و تصمیمات پیش بینی کننده Predictive insights and decisions

• نمونه های بیشتر ML More ML examples

• سری تمرین: مورد استفاده ML را تجزیه و تحلیل کنید Practice series: Analyze the ML use case

• ماژول 3: کاربرگ Module 3: Worksheet

• نجات زنبورهای دنیا Saving the world's bees

• دستیار Google برای دسترسی Google Assistant for accessibility

• بررسی تمرین و چرا ML در حال حاضر Exercise review and Why ML now

ساخت و ارزیابی مدل های ML Building and evaluating ML models

• ویژگی ها و برچسب ها Features and labels

• ساخت مجموعه داده های برچسب دار Building labeled datasets

• آموزش یک مدل ML Training an ML model

• بهترین شیوه های عمومی General best practices

• آزمایشگاه: شناسایی قطعات آسیب دیده خودرو با AutoML Vision Lab: Identifying damaged car parts with AutoML Vision

• آزمایشگاه 1: بررسی Lab 1: Review

استفاده مسئولانه و اخلاقی از ML Using ML responsibly and ethically

• سوگیری انسانی در ML Human bias in ML

• اصول هوش مصنوعی گوگل Google's AI Principles

• انواع متداول تعصب انسانی Common types of human bias

• ارزیابی عدالت مدل Evaluating model fairness

• دستورالعمل ها و آزمایشگاه عملی Guidelines and Hands-on Lab

• آزمایشگاه: بازرسی یک مجموعه داده برای بایاس با استفاده از اعتبارسنجی داده‌های TensorFlow و نمای کلی جنبه‌ها Lab: Inspecting a Dataset for Bias using TensorFlow Data Validation and Facets Overview

• آزمایشگاه 2: بررسی Lab 2: Review

کشف موارد استفاده از ML در تجارت روزمره Discovering ML use cases in day-to-day business

• جایگزینی سیستم های مبتنی بر قانون با ML Replacing rule-based systems with ML

• فرآیندها را خودکار کنید و داده های بدون ساختار را درک کنید Automate processes and understand unstructured data

• برنامه ها را با ML شخصی سازی کنید Personalize applications with ML

• استفاده خلاقانه از ML Creative uses of ML

• تجزیه و تحلیل احساسات و آزمایشگاه عملی Sentiment analysis and Hands-on Lab

• آزمایشگاه: تجزیه و تحلیل احساسات با API زبان طبیعی Lab: Sentiment Analysis with Natural Language API

• آزمایشگاه 3: بررسی Lab 3: Review

مدیریت پروژه های ML با موفقیت Managing ML projects successfully

• ملاحظات کلیدی 1: ارزش تجاری Key consideration 1: business value

• استراتژی داده (ارکان 1-3) Data strategy (pillars 1–3)

• استراتژی داده (ارکان 4-7) Data strategy (pillars 4–7)

• حاکمیت داده Data governance

• تیم های موفق ML بسازید Build successful ML teams

• فرهنگ نوآوری و آزمایشگاه عملی ایجاد کنید Create a culture of innovation and Hands-on Lab

• آزمایشگاه: یک مدل ML را با BigQuery ML ارزیابی کنید Lab: Evaluate an ML model with BigQuery ML

• آزمایشگاه 4: بررسی Lab 4: Review

خلاصه Summary

• خلاصه Summary

منابع دوره Course Resources

• منابع دوره Course Resources