آموزش طراحی راه حل های یادگیری ماشین در Microsoft Azure

Designing Machine Learning Solutions on Microsoft Azure

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره نحوه استفاده از Azure Machine Learning را برای یک ابتکار عمل علم داده در بین م acrossلفه های اصلی گردش کار ، خط لوله داده ها و زیرساخت ها مورد استفاده قرار خواهد داد. هنگام کار بر روی ابتکارات علوم داده ، کسب بینش عملی از مجموعه داده های شما چالش برانگیز است. در این دوره ، Designing Machine Learning Solutions on Microsoft Azure ، شما می آموزید که چگونه از Azure's Machine Learning استفاده کنید تا شانس موفقیت پروژه علم داده خود را تا حد زیادی افزایش دهید. در ابتدا ، شما در جریان کار تیمی شرکت خواهید کرد و اینکه چگونه Microsoft Data Science Science Process (TDSP) بهترین روش ها را در بین رشته ها امکان پذیر می کند. در مرحله بعدی ، گردش کار سرویس یادگیری ماشین لاجورد و نحوه استفاده از آن را روی پروژه خود خواهید فهمید. پس از این ، نحوه ایجاد خط لوله برای تهیه داده ها ، آموزش مدل و ثبت مدل را بررسی خواهید کرد. سرانجام ، شما رویکردهای زیرساختی را که می توانند برای یادگیری ماشین استفاده شوند و نحوه پشتیبانی این روشها در Azure را کشف خواهید کرد. هنگامی که با این دوره به پایان رسیدید ، مهارتهایی را خواهید داشت که برای شروع یک پروژه علوم داده در مورد Azure لازم است و ابزارهایی که توانایی شما را برای به دست آوردن این بینشهای عملی افزایش می دهد.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک گردش کار Azure Machine Learning Understanding the Azure Machine Learning Workflow

  • بررسی اجمالی Overview

  • چالش های علم داده Data Science Challenges

  • مقدمه ای بر روند دانش تیمی داده ها Introduction to Team Data Science Process

  • چرخه زندگی TDSP Data Science TDSP Data Science Lifecycle

  • در حال مرور منابع TDSP Reviewing TDSP Resources

  • ایجاد یک پروژه TDSP Creating a TDSP Project

  • خلاصه Summary

کار با گردش کار Azure Machine Learning Working with the Azure Machine Learning Workflow

  • بررسی اجمالی Overview

  • گردش کار یادگیری ماشین لاجوردی Azure Machine Learning Workflow

  • راه اندازی یک سرور نوت بوک Launching a Notebook Server

  • محاسبه اهرم برای آموزش مدل Leveraging Compute for Model Training

  • آموزش یک مدل Training a Model

  • استقرار یک مدل Deploying a Model

  • خلاصه Summary

درک راهبردهای مصرف داده Understanding Data Ingestion Strategies

  • بررسی اجمالی Overview

  • گزارش اکتشاف داده Data Exploration & Reporting

  • استفاده از ابزار داده IDEAR Utilizing the IDEAR Data Tool

  • خطوط لوله یادگیری ماشین Machine Learning Pipelines

  • ایجاد خط لوله یادگیری ماشین Creating a Machine Learning Pipeline

  • ادغام لاجوردی برای یادگیری ماشین Azure Integration for Machine Learning

  • خلاصه Summary

درک زیرساخت یادگیری ماشین لاجوردی Understanding Azure Machine Learning Infrastructure

  • بررسی اجمالی Overview

  • زیرساخت برای یادگیری ماشین Infrastructure for Machine Learning

  • استقرار یک مدل با پشتیبانی GPU Deploying a Model with GPU Support

  • از منابع خود خارج کنید Decommissioning Your Resources

  • خلاصه Summary

نمایش نظرات

آموزش طراحی راه حل های یادگیری ماشین در Microsoft Azure
جزییات دوره
1h 42m
27
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
27
4.3 از 5
دارد
دارد
دارد
David Tucker
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

David Tucker David Tucker

دیوید یک مشاور توسعه ابر برنده جایزه Webby است که بر برنامه های وب بومی ، تلفن همراه و اینترنت اشیا cloud ابری تمرکز دارد. دیوید برای بیش از پانزده سال به عنوان مشاور ، توسعه نرم افزار سفارشی را در سیستم عامل های در حال ظهور برای شرکت هایی مانند FedEx ، AT&T ، Sony Music ، Intel ، Comcast ، هرمان میلر ، Principal Financial و Adobe (و همچنین بسیاری دیگر) هدایت کرده است. دیوید با کارهای منتشر شده برای O'Reilly و Lynda.com مرتباً در زمینه دیجیتال می نویسد و صحبت می کند. او برای Mashable ، Smashing Magazine و VentureBeat نویسندگی کرده و در رویدادهایی مانند AdTech ، Interop و Adobe Max سخنرانی کرده است.