آموزش استقرار مدل‌های یادگیری ماشین - آخرین آپدیت

دانلود Deploying Machine Learning Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره آموزشی، ما با سیستم‌های توصیه‌گر (که برای پروژه نهایی یا Capstone مطالعه خواهیم کرد) آشنا شده و مسائل مربوط به استقرار محصولات داده‌محور را بررسی می‌کنیم. در پایان این دوره، شما قادر خواهید بود یک سیستم توصیه‌گر کاربردی (برای مثال جهت پیش‌بینی امتیازات یا ایجاد لیست محصولات مرتبط) پیاده‌سازی کنید و ابزارها و تکنیک‌های مورد نیاز برای استقرار چنین سیستمی را روی مجموعه‌داده‌های واقعی و در مقیاس بزرگ درک نمایید. این دوره، آخرین بخش از تخصص «محصولات داده‌ای پایتون برای تحلیل‌های پیش‌بینانه» است که بر پایه سه دوره قبلی (پردازش پایه داده‌ها و تجسم، تفکر طراحی و تحلیل‌های پیش‌بینانه برای محصولات داده‌ای، و مدل‌سازی پیش‌بینانه معنادار) بنا شده است. در هر مرحله از این تخصص، شما تجربه عملی در مدیریت داده‌ها کسب کرده و مهارت‌های خود را ارتقا می‌دهید تا در نهایت در یک پروژه نهایی، تمامی مفاهیم آموزش‌دیده در این تخصص را به طور جامع پیاده‌سازی کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • آشنایی با سیستم‌های توصیه‌گر Introduction to Recommender Systems

  • سیستم‌های توصیه‌گر در مقایسه با سایر روش‌های یادگیری نظارت‌شده Recommender Systems versus Other Forms of Supervised Learning

  • توصیه‌گر بر پایه فیلترینگ مشارکتی Collaborative Filtering-Based Recommendation

  • مدل‌های فاکتور پنهان (بخش اول) Latent Factor Models (Part 1)

  • مدل‌های فاکتور پنهان (بخش دوم) Latent Factor Models (Part 2)

پیاده‌سازی سیستم‌های توصیه‌گر Implementing Recommender Systems

  • پیاده‌سازی توصیه‌گر بر اساس شباهت Implementing a Similarity-Based Recommender

  • توصیه‌گر مبتنی بر شباهت برای پیش‌بینی امتیاز Similarity-Based Recommender for Rating Prediction

  • پیاده‌سازی مدل فاکتور پنهان (بخش اول) Implementing a Latent Factor Model (Part 1)

  • پیاده‌سازی مدل فاکتور پنهان (بخش دوم) Implementing a Latent Factor Model (Part 2)

استقرار سیستم‌های توصیه‌گر Deploying Recommender Systems

  • مقدمه‌ای بر فریم‌ورک‌های وب سرور (در پایتون) Intro to Web Server Frameworks (in Python)

  • آشنایی با جنگو (Django) Intro to Django

  • فلاسک (Flask) Flask

پروژه ۴: سیستم توصیه‌گر Project 4: Recommender System

پروژه نهایی Capstone

  • شرح وظایف پروژه نهایی Description of Capstone Tasks

نمایش نظرات

آموزش استقرار مدل‌های یادگیری ماشین
جزییات دوره
10h 56m
13
(آخرین آپدیت)
11,194
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Julian McAuley Julian McAuley