آموزش برچسب گذاری داده ها برای یادگیری ماشینی

Data Labeling for Machine Learning

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

تقریباً 2.5 کوئینتیلیون بایت داده هر روز تولید می‌شود - عمدتاً داده‌های خام و بدون برچسب - اما تکنیک‌های یادگیری تحت نظارت برای یادگیری ماشینی نیاز به برچسب‌گذاری داده‌ها برای استفاده از آن برای آموزش دارند. این باعث می‌شود برچسب‌گذاری داده‌ها، زمان‌بر و پرهزینه باشد، اما بخشی حیاتی از یادگیری ماشین است. در این دوره، جانانی راوی، معمار ابر و مهندس داده خبره گوگل، شما را راهنمایی می کند که چگونه با برچسب گذاری داده ها شروع کنید. درباره رویکردهای مختلف برچسب‌گذاری داده‌ها و همچنین چالش‌ها، بهترین شیوه‌ها و موارد استفاده از آن اطلاعات کسب کنید. با Azure ML به برچسب‌گذاری داده‌ها بروید و نحوه راه‌اندازی یک پروژه برچسب‌گذاری تصویر و انجام برچسب‌گذاری دستی تصویر، بررسی و بررسی پیشرفت را بیاموزید. مراحل کامل انجام برچسب‌گذاری داده‌های دستی و به کمک ML در Azure را طی کنید، سپس نحوه استفاده از Snorkel برای برچسب‌گذاری داده‌ها، از جمله نحوه ایجاد عملکردها و مدل‌های برچسب‌گذاری متنوع را بررسی کنید.

این دوره توسط جانانی راوی ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.


سرفصل ها و درس ها

معرفی Introduction

  • نیاز به برچسب گذاری داده ها The need for data labeling

1. با برچسب گذاری داده ها شروع کنید 1. Get Started with Data Labeling

  • فرآیند برچسب گذاری داده ها The data labeling process

  • رویکردهای برچسب گذاری داده ها Approaches to data labeling

  • چالش‌های برچسب‌گذاری داده‌ها، بهترین شیوه‌ها و موارد استفاده Data labeling challenges, best practices, and use cases

  • برچسب گذاری داده ها با Azure ML Data labeling with Azure ML

  • راه اندازی یک فضای کاری Azure ML Setting up an Azure ML workspace

  • راه اندازی پروژه برچسب گذاری تصویر: ایجاد دارایی های داده Setting up an image labeling project: Creating data assets

  • راه اندازی پروژه برچسب گذاری تصویر: پیکربندی تنظیمات Setting up an image labeling project: Configuring settings

  • برچسب زدن و بررسی دستی تصویر Manual image labeling and review

  • بررسی پیشرفت برچسب‌گذاری دستی Manual labeling progress checks

2. برچسب‌گذاری داده‌های دستی و ML-Assisted روی Azure را انجام دهید 2. Perform Manual and ML-Assisted Data Labeling on Azure

  • یادگیری ماشین خودکار برای طبقه بندی تصاویر Automated machine learning for image classification

  • بررسی معیارهای آموزشی مدل Examining model training metrics

  • بینش پروژه برچسب گذاری داده ها Data labeling project insights

  • برچسب‌گذاری به کمک ML با خوشه‌بندی و پیش برچسب‌گذاری ML assisted labeling with clustering and pre-labeling

  • پیکربندی استنتاج برای اجراهای آموزشی جدید Configuring inference for new training runs

  • کاوش مجموعه داده برچسب‌گذاری شده Exploring the labeled dataset

3. از Snorkel برای برچسب گذاری داده ها استفاده کنید 3. Use Snorkel for Data Labeling

  • برچسب گذاری برنامه ای با اسنورکل Programmatic labeling with Snorkel

  • نصب کتابخانه های پایتون Installing Python libraries

  • کاوش مجموعه داده اسپم هام Exploring the spam ham dataset

  • نوشتن و تجزیه و تحلیل توابع برچسب زدن Writing and analyzing labeling functions

  • بررسی سایر عملکردهای برچسب‌گذاری Exploring other labeling functions

  • برچسب‌گذاری برنامه‌ای با استفاده از رای‌دهنده برچسب اکثریت Programmatic labeling using the majority label voter

  • امتیاز دهی و مقایسه مدل های برچسب Scoring and comparing the label models

4. توابع و مدل های برچسب گذاری متنوع در Snorkel ایجاد کنید 4. Create Diverse Labeling Functions and Models in Snorkel

  • افزایش تعداد توابع برچسب زدن Increasing the number of labeling functions

  • استفاده از احساسات و بخش‌هایی از برچسب‌گذاری گفتار در عملکردهای برچسب‌گذاری Using sentiment and parts of speech tagging in labeling functions

  • ارزیابی معیارهای تابع برچسب‌گذاری روی داده‌های آزمایشی Evaluating labeling function metrics on test data

  • استفاده از تمام توابع برچسب‌گذاری برای برچسب‌گذاری داده‌ها Using all labeling functions to label data

  • آموزش یک طبقه بندی کننده بر روی برچسب های تولید شده به صورت برنامه ریزی شده Training a classifier on programmatically generated labels

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش برچسب گذاری داده ها برای یادگیری ماشینی
جزییات دوره
1h 54m
29
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.