آموزش راهنمای اجرایی AutoML

Executive Guide to AutoML

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

تعداد فزاینده ای از فروشندگان منبع باز و تجاری در تلاش برای خودکارسازی یادگیری ماشینی هستند و رهبران تجزیه و تحلیل باید بدانند که چگونه این امر بر علم داده و یادگیری ماشین در سازمان هایشان تأثیر می گذارد. در این دوره، کیت مک کورمیک، متخصص، مربی و نویسنده یادگیری ماشین، به این موضوع می پردازد که فناوری چه کاری می تواند انجام دهد و چه کاری نمی تواند انجام دهد و سوالات مهمی در مورد ساختار و سازماندهی تیم مطرح می کند. کیت AutoML و چرخه حیات یادگیری ماشینی (ML) را معرفی می کند. او توضیح می‌دهد که چرا برخی از بخش‌های آن چرخه حیات - مانند تعریف مشکل - نمی‌توانند خودکار شوند. کیت مراحل چرخه حیات ML را پوشش می دهد، با تمرکز بر اینکه کدام مراحل با موفقیت خودکار شده اند و نیاز به حمایت انسانی دارند. او دقت مدل و ارزیابی کسب و کار را مقایسه می کند، سپس به شما نشان می دهد که چگونه AutoML می تواند در زمان و تلاش شما در نظارت و نگهداری مدل صرفه جویی کند. به‌علاوه، کیت به طیف گسترده‌ای از گزینه‌های AutoML که در دسترس شما هستند می‌پردازد و توصیه‌هایی برای ترکیب تیم ارائه می‌دهد.


سرفصل ها و درس ها

معرفی Introduction

  • چگونه AutoML تیم های تجزیه و تحلیل را تغییر می دهد How AutoML is changing analytics teams

  • چه چیزی باید بدانید؟ What you should know?

1. معرفی AutoML 1. Introducing AutoML

  • AutoML چیست؟ What is AutoML?

  • درک یادگیری ماشین نظارت شده بر روی داده های ساخت یافته Understanding supervised machine learning on structured data

  • مهندسی داده و ML Ops Data engineering and ML Ops

  • آشنایی با چرخه حیات ML Understanding the ML lifecycle

  • چالش تعریف مشکل ML The challenge of ML problem definition

  • امتحان فصل Chapter Quiz

2. مراحل در چرخه حیات ML 2. Stages in the ML Lifecycle

  • کدام فازها با موفقیت بیشتر خودکار شده اند؟ Which phases have been automated most successfully?

  • چالش درک خودکار داده ها The challenge of automating data understanding

  • آنچه AutoML می تواند و نمی تواند در طول آماده سازی داده انجام دهد What AutoML can and can't do during data prep

  • قابلیت های AutoML در مرحله مدل سازی AutoML's capabilities during the modeling phase

  • مقایسه دقت مدل و ارزیابی کسب و کار Comparing model accuracy and business evaluation

  • نظارت و نگهداری مدل ها Monitoring and maintaining models

  • امتحان فصل Chapter Quiz

3. گزینه های AutoML 3. AutoML Options

  • چشم انداز فروشنده AutoML The AutoML vendor landscape

  • نمایش AutoML با KNIME Demonstrating AutoML with KNIME

  • استعاره ای از AutoML A metaphor for AutoML

  • مشاوره برای ترکیب تیم Advice for team composition

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش راهنمای اجرایی AutoML
جزییات دوره
1h 2m
21
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Keith McCormick Keith McCormick

داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.