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

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 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.