آموزش مدیریت محصول یادگیری ماشین: راهنمای عملی 2023

سرفصل ها و درس ها

مقدمه ای بر ML Intro to ML

• تبریک می گویم! شما اکنون یک مدیر محصول ML هستید Congratulations! You Are Now An ML Product Manager

• دریافت اسلایدهای دوره Get Course Slides

• یادگیری ماشینی (ML) چیست؟ What is Machine Learning (ML)?

• تنظیم سرعت دوره Adjusting Course Speed

• ML در حال تبدیل شدن به جریان اصلی است ML is Going Mainstream

• کتاب کار دوره خود را دریافت کنید Get Your Course Workbook

• تمرین شماره 1: محصول خود را انتخاب کنید Exercise #1: Pick Your Product

• الگوریتم یادگیری The Learning Algorithm

• انواع ML Types of ML

• تمرین شماره 2: این چه نوع ML است؟ Exercise #2: What Type of ML is This?

• یادگیری عمیق Deep Learning

• نمونه های دنیای واقعی ML ML Real World Examples

• اصطلاحات ML ML Terminology

• تمرین شماره 3: ML Lingo خود را اعمال کنید Exercise #3: Apply your ML Lingo

• آزمون شماره 1: مقدمه ML Quiz #1: ML Introduction

مقدمه ای بر ML Intro to ML

• تبریک می گویم! شما اکنون یک مدیر محصول ML هستید Congratulations! You Are Now An ML Product Manager

• دریافت اسلایدهای دوره Get Course Slides

• یادگیری ماشینی (ML) چیست؟ What is Machine Learning (ML)?

• تنظیم سرعت دوره Adjusting Course Speed

• ML در حال تبدیل شدن به جریان اصلی است ML is Going Mainstream

• کتاب کار دوره خود را دریافت کنید Get Your Course Workbook

• تمرین شماره 1: محصول خود را انتخاب کنید Exercise #1: Pick Your Product

• الگوریتم یادگیری The Learning Algorithm

• انواع ML Types of ML

• تمرین شماره 2: این چه نوع ML است؟ Exercise #2: What Type of ML is This?

• یادگیری عمیق Deep Learning

• نمونه های دنیای واقعی ML ML Real World Examples

• اصطلاحات ML ML Terminology

• تمرین شماره 3: ML Lingo خود را اعمال کنید Exercise #3: Apply your ML Lingo

• آزمون شماره 1: مقدمه ML Quiz #1: ML Introduction

چه زمانی به ML When to ML

• چرخ طیار هوش مصنوعی The AI Flywheel

• داستان های ترسناک محصول ML ML Product Horror Stories

• چه زمانی به ML When to ML

• هنگامی که به ML نیست When not to ML

• تمرین شماره 4: به تفسیرپذیری نیاز دارید؟ Exercise #4: Need interpretability?

• ملاحظات داده ML ML Data Considerations

• تمرین شماره 5: به ML یا نه به ML Exercise #5: To ML or Not to ML

• امتحان شماره 2: چه زمانی به ML Quiz #2: When to ML

چه زمانی به ML When to ML

• چرخ طیار هوش مصنوعی The AI Flywheel

• داستان های ترسناک محصول ML ML Product Horror Stories

• چه زمانی به ML When to ML

• هنگامی که به ML نیست When not to ML

• تمرین شماره 4: به تفسیرپذیری نیاز دارید؟ Exercise #4: Need interpretability?

• ملاحظات داده ML ML Data Considerations

• تمرین شماره 5: به ML یا نه به ML Exercise #5: To ML or Not to ML

• امتحان شماره 2: چه زمانی به ML Quiz #2: When to ML

نحوه ML How to ML

• چگونه نقش ML PM متفاوت است How the ML PM's Role Differs

• سازماندهی تیم های ML Organizing ML Teams

• نقش های کلیدی در یک تیم ML Key Roles in An ML Team

• چرخه زندگی ML The ML Life Cycle

• تمرین شماره 6: فرضیه خود را ایجاد و آزمایش کنید Exercise#6: Create & Test Your Hypothesis

• تمرین شماره 7: مشکل ML خود را قاب بندی کنید Exercise #7: Frame Your ML Problem

• تمرین شماره 8: مشکل ML خود را فرموله کنید Exercise #8: Formulate Your ML Problem

• امتحان شماره 3: چگونه ML کنیم Quiz #3: How to ML

نحوه ML How to ML

• چگونه نقش ML PM متفاوت است How the ML PM's Role Differs

• سازماندهی تیم های ML Organizing ML Teams

• نقش های کلیدی در یک تیم ML Key Roles in An ML Team

• چرخه زندگی ML The ML Life Cycle

• تمرین شماره 6: فرضیه خود را ایجاد و آزمایش کنید Exercise#6: Create & Test Your Hypothesis

• تمرین شماره 7: مشکل ML خود را قاب بندی کنید Exercise #7: Frame Your ML Problem

• تمرین شماره 8: مشکل ML خود را فرموله کنید Exercise #8: Formulate Your ML Problem

• امتحان شماره 3: چگونه ML کنیم Quiz #3: How to ML

داده های خود را دریافت کنید Get Your Data

• استراتژی های جمع آوری داده ها Data Acquisition Strategies

• Google reCAPTCHA Google reCAPTCHA

• تمرین شماره 9: نمونه هایی از برچسب گذاری داده های تولید شده توسط کاربر را بیابید Exercise #9: Find Examples of User-Generated Data Labelling

• با یک مشکل ساده شروع کنید Start with a Simplified Problem

• تمرین شماره 10: داده های خود را برای مدل طراحی کنید Exercise #10: Design Your Data for The Model

• برترین منابع داده باز Top Open Data Sources

• به چه مقدار داده نیاز دارم؟ How Much Data Do I Need?

• ذخیره سازی داده ها: انبارها، دریاچه ها و پایگاه های داده نمودار Storing Data: Warehouses, Lakes & Graph Databases

• امتحان شماره 4: داده های خود را دریافت کنید Quiz #4: Get Your Data

داده های خود را دریافت کنید Get Your Data

• استراتژی های جمع آوری داده ها Data Acquisition Strategies

• Google reCAPTCHA Google reCAPTCHA

• تمرین شماره 9: نمونه هایی از برچسب گذاری داده های تولید شده توسط کاربر را بیابید Exercise #9: Find Examples of User-Generated Data Labelling

• با یک مشکل ساده شروع کنید Start with a Simplified Problem

• تمرین شماره 10: داده های خود را برای مدل طراحی کنید Exercise #10: Design Your Data for The Model

• برترین منابع داده باز Top Open Data Sources

• به چه مقدار داده نیاز دارم؟ How Much Data Do I Need?

• ذخیره سازی داده ها: انبارها، دریاچه ها و پایگاه های داده نمودار Storing Data: Warehouses, Lakes & Graph Databases

• امتحان شماره 4: داده های خود را دریافت کنید Quiz #4: Get Your Data

داده های خود را آماده کنید Prepare Your Data

• پاکسازی داده ها Data Scrubbing

• نمونه برداری و تقسیم داده ها Sampling and Splitting Data

• تبدیل داده ها Transforming Data

• مهندسی ویژگی Feature Engineering

• تمرین شماره 11: یک ویژگی جدید را طوفان فکری کنید Exercise #11: Brainstorm a new feature

• آزمون شماره 5: داده های خود را آماده کنید Quiz #5: Prepare Your Data

داده های خود را آماده کنید Prepare Your Data

• پاکسازی داده ها Data Scrubbing

• نمونه برداری و تقسیم داده ها Sampling and Splitting Data

• تبدیل داده ها Transforming Data

• مهندسی ویژگی Feature Engineering

• تمرین شماره 11: یک ویژگی جدید را طوفان فکری کنید Exercise #11: Brainstorm a new feature

• آزمون شماره 5: داده های خود را آماده کنید Quiz #5: Prepare Your Data

مدل خود را بسازید Build Your Model

• از کدام الگوریتم ML استفاده کنم؟ Which ML algorithm should I use?

• راه حل ML خود را بسازید، برون سپاری کنید یا بخرید؟ Build, Outsource or Buy Your ML Solution?

• یادگیری ماشینی به عنوان یک سرویس (MLaaS) Machine Learning as a Service (MLaaS)

• رگرسیون (خطی، چند جمله ای، لجستیک) Regression (Linear, Polynomial, Logistic)

• طبقه بندی (SVM، K-NN، درختان تصمیم) Classification (SVM, K-NN, Decision Trees)

• خوشه بندی (K-Means، Means Shift) Clustering (K-Means, Means Shift)

• تشخیص ناهنجاری (فاکتور دورافتاده محلی، DBSCAN) Anomaly Detection (Local Outlier Factor, DBSCAN)

• روش‌های گروهی (کیسه‌بندی، تقویت، انباشتن) Ensemble Methods (Bagging, Boosting, Stacking)

• امتحان شماره 6: مدل خود را بسازید Quiz #6: Build Your Model

مدل خود را بسازید Build Your Model

• از کدام الگوریتم ML استفاده کنم؟ Which ML algorithm should I use?

• راه حل ML خود را بسازید، برون سپاری کنید یا بخرید؟ Build, Outsource or Buy Your ML Solution?

• یادگیری ماشینی به عنوان یک سرویس (MLaaS) Machine Learning as a Service (MLaaS)

• رگرسیون (خطی، چند جمله ای، لجستیک) Regression (Linear, Polynomial, Logistic)

• طبقه بندی (SVM، K-NN، درختان تصمیم) Classification (SVM, K-NN, Decision Trees)

• خوشه بندی (K-Means، Means Shift) Clustering (K-Means, Means Shift)

• تشخیص ناهنجاری (فاکتور دورافتاده محلی، DBSCAN) Anomaly Detection (Local Outlier Factor, DBSCAN)

• روش‌های گروهی (کیسه‌بندی، تقویت، انباشتن) Ensemble Methods (Bagging, Boosting, Stacking)

• امتحان شماره 6: مدل خود را بسازید Quiz #6: Build Your Model

مدل خود را مستقر کنید Deploy Your Model

• ماتریس سردرگمی The Confusion Matrix

• معیارهای ارزیابی (دقت، یادآوری و امتیاز F1) Evaluation Metrics (Precision, Recall & F1 Score)

• تمرین شماره 12: بیایید معیارهای ارزیابی را محاسبه کنیم Exercise #12: Lets Calculate Evaluation Metrics

• بهینه سازی تجربه کاربر User Experience Optimization

• تمرین شماره 13: دقت، یادآوری یا امتیاز F1؟ Exercise #13: Precision, Recall or F1 score?

• روش های استقرار Deployment Methods

• نظارت بر مدل شما Monitoring Your Model

• امتحان شماره 7: مدل خود را مستقر کنید Quiz #7: Deploy Your Model

• تبریک می گویم! Congratulations!

• سخنرانی پاداش Bonus Lecture

مدل خود را مستقر کنید Deploy Your Model

• ماتریس سردرگمی The Confusion Matrix

• معیارهای ارزیابی (دقت، یادآوری و امتیاز F1) Evaluation Metrics (Precision, Recall & F1 Score)

• تمرین شماره 12: بیایید معیارهای ارزیابی را محاسبه کنیم Exercise #12: Lets Calculate Evaluation Metrics

• بهینه سازی تجربه کاربر User Experience Optimization

• تمرین شماره 13: دقت، یادآوری یا امتیاز F1؟ Exercise #13: Precision, Recall or F1 score?

• روش های استقرار Deployment Methods

• نظارت بر مدل شما Monitoring Your Model

• امتحان شماره 7: مدل خود را مستقر کنید Quiz #7: Deploy Your Model

• تبریک می گویم! Congratulations!

• سخنرانی پاداش Bonus Lecture