آموزش شروع به کار با یادگیری ماشین خودکار (AutoML) - آخرین آپدیت

مبانی یادگیری ماشین خودکار (AutoML) Automated Machine Learning (AutoML) Essentials

• معرفی دوره Course Introduction

• چرا یادگیری ماشین خودکار ظهور کرد Why Automated Machine Learning Emerged

• مقدمه‌ای بر یادگیری ماشین خودکار Introduction to Automated Machine Learning

• درک AutoML در عمل Understanding AutoML in Practice

• دمو: نصب پایتون و ژوپیتر نوت‌بوک Demonstration: Installing Python and Jupyter Notebook

• گردش کار یادگیری ماشین Machine Learning Workflow

• ارزیابی، انتخاب و تکرار در عمل Evaluation, Selection, and Iteration in Practice

• دمو: تصمیم‌گیری دستی در یک خط لوله استاندارد ML Demonstration: Manual Decision-Making in a Standard ML Pipeline

• دسته‌بندی چارچوب‌های AutoML Categories of AutoML Frameworks

• نقاط قوت و نقاط ضعف رویکردهای محبوب AutoML Strengths and Trade-offs of Popular AutoML Approaches

• معرفی H2O AutoML Introduction to H2O AutoML

• معماری H2O AutoML H2O AutoML Architecture

• دمو: راه‌اندازی محیط H2O AutoML Demonstration: Initializing an H2O AutoML Environment

• دمو: اجرای اولین مدل AutoML با H2O Demonstration: Running Your First AutoML Model with H2O

ساخت خط لوله‌های ML خودکار با H2O AutoML Building Automated ML Pipelines with H2O AutoML

• انتظارات داده‌ای و ویژگی‌ها در سیستم‌های AutoML Data and Feature Expectations in AutoML Systems

• آنچه H2O AutoML به صورت خودکار مدیریت می‌کند What H2O AutoML Handles Automatically

• دمو: پیش‌پردازش خودکار داده‌ها با استفاده از H2O Demonstration: Automated Data Preprocessing using H2O

• دمو: تشخیص ویژگی‌ها در H2O AutoML Demonstration: Feature Diagnostics in H2O AutoML

• دمو: اهمیت متغیرها و بهینه‌سازی ویژگی‌ها Demonstration: Variable Importance and Feature Optimization

• انتخاب مدل به عنوان یک مسئله جستجو Model Selection as a Search Problem

• استفاده از مجموعه‌ها (Ensembles) به عنوان استراتژی انتخاب مدل Ensembles as a Strategy for Model Selection

• دمو: کنترل جستجوی مدل در H2O AutoML Demonstration: Controlling Model Search in H2O AutoML

• معیارهای ارزیابی در H2O AutoML Evaluation Metrics in H2O AutoML

• معیارها به عنوان سیگنال‌های بهینه‌سازی Metrics as Optimization Signals

بهینه‌سازی و عملیاتی کردن سیستم‌های AutoML Optimizing and Operationalizing AutoML Systems

• درک هایپرپارامترها و تأثیر آن‌ها Understanding Hyperparameters and Their Impact

• استراتژی‌های بهینه‌سازی در AutoML Optimization Strategies in AutoML

• دمو: جستجو و ارزیابی هایپرپارامترها در H2O Demonstration: Hyperparameter Search and Evaluation in H2O

• دمو: جستجوی شبکه‌ای تصادفی (Random Grid Search) در H2O Demonstration: Random Grid Search in H2O

• انتخاب استراتژی استقرار Selecting a Deployment Strategy

• دمو: خروجی گرفتن از مدل‌های AutoML برای محیط تولید Demonstration: Exporting AutoML Models for Production

• دمو: اجرای امتیازدهی آنی با استفاده از MOJO Demonstration: Running Real-Time Scoring with a MOJO

• دمو: مقیاس‌بندی امتیازدهی MOJO در الگوهای تولید Demonstration: Scaling MOJO Scoring to Production Patterns

• استفاده از H2O Flow به عنوان مرکز کنترل AutoML H2O Flow as an AutoML Control Center

• دمو: رابط کاربری H2O Flow و پیمایش گردش کار Demonstration: H2O Flow Interface and Workflow Navigation

• دمو: وارد کردن داده‌ها، تجزیه و آماده‌سازی مجموعه داده در H2O Flow Demonstration: Data Import, Parsing, and Dataset Preparation in H2O Flow

• دمو: پیکربندی و اجرای AutoML در H2O Flow Demonstration: Configuring and Executing AutoML in H2O Flow

• دمو: تفسیر نتایج AutoML در H2O Flow Demonstration: Interpreting AutoML Results in H2O Flow

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• جمع‌بندی دوره Course Summary