استاد ماشین Muse Build Generative AI با ML

Master the Machine Muse Build Generative AI with ML

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ایجاد و استقرار مدل های هوش مصنوعی مولد با استفاده از یادگیری ماشین را بیاموزید. چارچوب ها، ابزارها و ml کاربردی را کاوش کنید کاربردهای عملی هوش مصنوعی مولد را در حوزه های مختلف اجرا کنید. با استفاده از چارچوب ها و ابزارهای محبوب، مدل های هوش مصنوعی مولد را بسازید و به کار بگیرید. ساخت مدل‌های مولد با استفاده از تکنیک‌های یادگیری ماشین، هوش مصنوعی را برای تولید قالب‌های متن خلاقانه (مانند شعرها!) آموزش دهید. بر مبانی شبکه‌های متخاصم مولد (GAN) تسلط داشته باشید. اصول هوش مصنوعی و یادگیری ماشینی را درک کنید. پیش نیازها: هیچ تجربه قبلی با هوش مصنوعی یا یادگیری عمیق مورد نیاز نیست، اما مفید خواهد بود. یک کامپیوتر با دسترسی به اینترنت برای دانلود نرم افزار و ابزار لازم. آشنایی اولیه با مفاهیم برنامه نویسی (ترجیحا در پایتون). کدنویسان کنجکاو با درک اولیه از هنرمندان و طراحان پایتون که می‌خواهند ابزارهای مبتنی بر هوش مصنوعی را کشف کنند، هر کسی که مجذوب پتانسیل هوش مصنوعی مولد است.

پتانسیل خلاق هوش مصنوعی را با "Master the Machine Muse: Build Generative AI with ML" باز کنید. این دوره جامع شما را به سفری هیجان انگیز به دنیای هوش مصنوعی مولد می برد و هنر یادگیری ماشینی را با علم خلاقیت ترکیب می کند. چه یک دانشمند مشتاق داده، یک علاقه‌مند به فناوری یا یک حرفه‌ای خلاق باشید که می‌خواهید از قدرت هوش مصنوعی استفاده کنید، این دوره مهارت‌ها و دانش را برای ساخت و به کارگیری مدل‌های مولد خود در اختیار شما قرار می‌دهد.


نکات مهم دوره:


- مقدمه ای بر هوش مصنوعی مولد: اصول هوش مصنوعی مولد و کاربردهای آن در حوزه های مختلف مانند هنر، موسیقی، متن و طراحی را درک کنید.

- مبانی یادگیری ماشین: مفاهیم اصلی یادگیری ماشین، از جمله یادگیری تحت نظارت و بدون نظارت، و نحوه اعمال آنها در مدل های تولیدی را بیاموزید.

- یادگیری عمیق برای خلاقیت: عمیقاً در شبکه های عصبی غوطه ور شوید و معماری هایی مانند GAN ها (شبکه های متخاصم مولد)، VAE (انکودرهای خودکار متغیر) و ترانسفورماتورهایی که انقلاب مولد هوش مصنوعی را هدایت می کنند، کشف کنید.

- پروژه‌های عملی: در پروژه‌های عملی و عملی شرکت کنید که شما را در فرآیند ساخت مدل‌های تولیدی راهنمایی می‌کنند. از تولید هنر گرفته تا آهنگسازی، هیجان خلق کردن با هوش مصنوعی را تجربه خواهید کرد.

- برنامه نویسی پایتون: در برنامه نویسی پایتون مهارت کسب کنید، با تمرکز بر کتابخانه ها و چارچوب های ضروری برای هوش مصنوعی مولد، مانند TensorFlow، PyTorch، و Keras.

- اخلاق و آینده هوش مصنوعی مولد: در مورد ملاحظات اخلاقی و پیامدهای آتی هوش مصنوعی مولد بحث کنید، مطمئن شوید که به خوبی مجهز هستید تا با مسئولیت پذیری در این زمینه به سرعت در حال تکامل حرکت کنید.


چه کسی باید ثبت نام کند:


- دانشمندان داده و مهندسان یادگیری ماشین به دنبال تخصص در مدل‌های مولد هستند.

- هنرمندان، نوازندگان و طراحان علاقه مند به کاوش در هوش مصنوعی به عنوان ابزاری برای خلاقیت.

- علاقه مندان به فناوری و نوآوران مشتاق ماندن در زمینه هوش مصنوعی هستند.

- دانشجویان و متخصصان با هدف ارتقاء مجموعه مهارت های خود با فناوری پیشرفته.


پیش نیازها:


- درک اولیه برنامه نویسی پایتون.

- آشنایی با مفاهیم یادگیری ماشین مفید است اما لازم نیست.


نتایج دوره:


در پایان این دوره، شما:


- درک قوی از مفاهیم و تکنیک های هوش مصنوعی مولد داشته باشید.

- قادر به ساخت و آموزش مدل‌های مولد با استفاده از پیشرفته‌ترین چارچوب‌های یادگیری ماشین باشید.

- ملاحظات اخلاقی و تأثیرات بالقوه هوش مصنوعی مولد را درک کنید.

- برای استفاده از مهارت‌های هوش مصنوعی در پروژه‌های دنیای واقعی و برنامه‌های نوآورانه آماده باشید.


به ما در "Master the Machine Muse: Build Generative AI with ML" بپیوندید و سفری خلاقانه را آغاز کنید که فناوری را با تخیل ادغام می کند و به شما قدرت می دهد تا آینده خلاقیت مبتنی بر هوش مصنوعی را شکل دهید.


سرفصل ها و درس ها

مبانی رگرسیون لجستیک Logistic Regression Fundamentals

  • رگرسیون لجستیک: از صفر تا قهرمان Logistic Regression: From Zero to Hero

  • رمزگشایی ریاضی رگرسیون لجستیک Demystifying Logistic Regression Math

  • رگرسیون لجستیک: نمونه های دنیای واقعی که نمی توانید نادیده بگیرید Logistic Regression: Real-World Examples You Can't Ignore

آماده سازی و ارزیابی داده ها Data Preparation and Evaluation

  • پاکسازی داده ها: قهرمان گمنام ML Data Cleaning: The Unsung Hero of ML

  • سحر و جادو مهندسی ویژگی: داده های شما را متحول کنید Feature Engineering Magic: Transform Your Data

  • مدل خود را بشناسید: معیارهای ارزیابی ضروری Know Your Model: Essential Evaluation Metrics

رگرسیون لجستیک برای NLP Logistic Regression for NLP

  • NLP برای مبتدیان: با رگرسیون لجستیک شروع کنید NLP for Beginners: Start with Logistic Regression

  • NLP خود را با تکنیک های پیشرفته شارژ کنید Supercharge Your NLP with Advanced Techniques

  • آموزش انتقال: میانبر NLP که شما نیاز دارید Transfer Learning: The NLP Shortcut You Need

رگرسیون لجستیک در عمل: مطالعه موردی COVID-19 Logistic Regression in Action: COVID-19 Case Study

  • رام کردن داده های COVID-19: راهنمای دانشمند داده Taming COVID-19 Data: A Data Scientist's Guide

  • پنهان کردن روندهای COVID-19: بینش های مبتنی بر داده Unmasking COVID-19 Trends: Data-Driven Insights

  • چرخه زندگی یادگیری ماشین: از داده تا استقرار The Machine Learning Lifecycle: From Data to Deployment

پیش پردازش متن و EDA Text Preprocessing and EDA

  • پیش پردازش متن: عمل خود را پاک کنید Text Preprocessing: Clean Up Your Act

  • پیش پردازش متن پیشرفته: الگوهای پنهان را باز کنید Advanced Text Preprocessing: Unlock Hidden Patterns

  • گفتن داستان با داده های متنی: تسلط EDA Telling Stories with Text Data: EDA Mastery

مهندسی ویژگی برای NLP Feature Engineering for NLP

  • مهندسی ویژگی: راز موفقیت NLP Feature Engineering: The Secret to NLP Success

  • مدل خود را بهینه کنید: نکات تنظیم فراپارامتر Optimize Your Model: Hyperparameter Tuning Tips

  • یافتن فراپارامترهای کامل: راهنمای عملی Finding the Perfect Hyperparameters: A Practical Guide

منظم سازی و مقایسه مدل Regularization and Model Comparison

  • منظم سازی: مانند یک حرفه ای از نصب بیش از حد جلوگیری کنید Regularization: Prevent Overfitting Like a Pro

  • کدام مدل برنده می شود؟ یک مسابقه Which Model Wins? A Showdown

  • رگرسیون خطی: بلوک ساختمانی ML Linear Regression: The Building Block of ML

رگرسیون خطی و درختان تصمیم Linear Regression and Decision Trees

  • رگرسیون خطی: مدل های ساده، تاثیر بزرگ Linear Regression: Simple Models, Big Impact

  • بازی رگرسیون خطی خود را تقویت کنید Boost Your Linear Regression Game

  • درختان تصمیم: آسان برای درک، قدرتمند برای استفاده Decision Trees: Easy to Understand, Powerful to Use

الگوریتم های درخت تصمیم Decision Tree Algorithms

  • درختان تصمیم: بلوک های ساختمانی Decision Trees: The Building Blocks

  • تسلط بر آنتروپی و به دست آوردن اطلاعات Mastering Entropy and Information Gain

  • اجتناب از نصب بیش از حد: شیرجه رفتن عمیق در درختان تصمیم Avoid Overfitting: Deep Dive into Decision Trees

درختان تصمیم با داده های طبقه بندی شده Decision Trees with Categorical Data

  • مدیریت داده های دسته بندی: سبک درخت تصمیم Handling Categorical Data: Decision Tree Style

  • آموزش و تسخیر: تسلط بر درخت تصمیم Train and Conquer: Decision Tree Mastery

  • بینش داده محور: تحلیل تک متغیره Data-Driven Insights: Univariate Analysis

تجسم و تجزیه و تحلیل داده ها Data Visualization and Analysis

  • تجسم داده ها: داستان خود را بصری بگویید Data Visualization: Tell Your Story Visually

  • روندهای نقطه‌ای: نقاط پرت و همبستگی Spotting Trends: Outliers and Correlations

  • تجسم پیشرفته: بینش های پنهان را کشف کنید Advanced Visualization: Uncover Hidden Insights

تجزیه و تحلیل داده های پیشرفته Advanced Data Analysis

  • تجزیه و تحلیل دو متغیره: روابط را آشکار کنید Bivariate Analysis: Uncover Relationships

  • تحلیل چند متغیره: تسلط بر پیچیدگی Multivariate Analysis: Mastering Complexity

  • تجزیه و تحلیل سری زمانی: پیش بینی آینده Time Series Analysis: Forecasting the Future

تکنیک های خوشه بندی Clustering Techniques

  • K-means Clustering: افراد خود را پیدا کنید K-means Clustering: Find Your People

  • تسلط بر K-means: نکات و ترفندها Mastering K-means: Tips and Tricks

  • K-means in Action: نمونه های دنیای واقعی K-means in Action: Real-World Examples

خوشه بندی و ارزیابی پیشرفته Advanced Clustering and Evaluation

  • فراتر از K-means: تکنیک های خوشه بندی پیشرفته Beyond K-means: Advanced Clustering Techniques

  • ارزیابی خوشه های خود: آیا منطقی است؟ Evaluating Your Clusters: Does It Make Sense?

نمایش نظرات

استاد ماشین Muse Build Generative AI با ML
جزییات دوره
6.5 hours
41
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,297
3.5 از 5
ندارد
دارد
دارد
Akhil Vydyula
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Akhil Vydyula Akhil Vydyula

Full Stack Data Scientist

سلام!

اسم من Akhil Vydyula است، من یک دانشمند داده هستم

من قبلاً روی تجزیه و تحلیل داده های BFSI کار کرده بودم و مهارت های مدل سازی برای نظارت بر چرخه تمام عمر توسعه و اجرا. او دارای توانایی قوی است.

قابلیت بحث در مورد داده ها، مهندسی ویژگی، توسعه الگوریتم، آموزش مدل و پیاده سازی.

مهارت ها و شایستگی ها

دانش و تجربه تخصصی با برنامه نویسی C/C++/python و SQL.

باید قادر به یادگیری و اجرای سریع و موثر فناوری های جدید باشد.

مهارت های ریاضی عالی، مهارت های منطقی حل مسئله .

شرکت فعال در هکاتون ها در پلتفرم های مختلف و نوشتن وبلاگ در رسانه.

مهارت های فنی

یادگیری ماشین، پردازش زبان طبیعی (NLP)، Computer Vision، Regression، Multi Label

Classification.Transfer Learning، Transformers، Ensembles، Stacking Classifiers.AutoML، SQL، Python، Keras، Pandas، NumPy، Seaborn، Matplotlib، Clustering، Systems Recommendation ,تحلیل سری زمانی.