آموزش 10 روز بوت کمپ هوش مصنوعی بدون کد

10 Days of No Code Artificial Intelligence Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: 10 پروژه هوش مصنوعی را در 10 روز بدون کدنویسی با استفاده از Google Teachable Machines، DataRobot، AWS Autopilot و Vertex AI بسازید، 10 مدل AI/ML را در 10 روز بدون نوشتن کد بسازید، آموزش دهید، آزمایش کنید و اجرا کنید. ساخت، آموزش، آزمایش و استقرار مدل‌های هوش مصنوعی برای طبقه‌بندی اقلام مد با استفاده از Google Teachable Machine. مدل‌های هوش مصنوعی پیشرفته را با استفاده از Tensorspace JS، Google Tensorflow Playground و Ryerson 3D CNN تجسم کنید. تفاوت بین نرخ یادگیری، دوره ها، اندازه دسته ای، دقت و از دست دادن را توضیح دهید. ساخت، آموزش و استقرار هوش مصنوعی پیشرفته برای تشخیص بیماری رتینوپاتی دیابتی با استفاده از DataRobot AI. از قدرت هوش مصنوعی برای حل وظایف رگرسیون و پیش بینی قیمت خودروهای مستعمل با استفاده از هوش مصنوعی DataRobot استفاده کنید. مدل های آموزش دیده هوش مصنوعی را با استفاده از KPI های مختلف مانند ماتریس سردرگمی، دقت طبقه بندی و میزان خطا ارزیابی کنید. تئوری و شهود پشت شبکه‌های عصبی باقیمانده (ResNets)، یک شبکه NN عمیق پیشرفته را که به طور گسترده در صنایع مختلف مورد استفاده قرار می‌گیرند، درک کنید. تاثیر آستانه طبقه بندی کننده بر نرخ مثبت کاذب (Fallout) و نرخ مثبت واقعی (حساسیت) را درک کنید. با استفاده از هوش مصنوعی DataRobot فرسایش کارمندان را بر اساس ویژگی هایی مانند مشارکت کارکنان، فاصله از خانه، رضایت شغلی پیش بینی کنید. یک مدل هوش مصنوعی برای تشخیص ماسک های صورت با استفاده از ماشین های آموزش پذیر Google ایجاد کنید. ساخت، آموزش و استقرار الگوریتم مبتنی بر XGBoost برای انجام وظایف رگرسیون با استفاده از AWS SageMaker Autopilot. نحوه انتقال دانش از یک شبکه عصبی مصنوعی از قبل آموزش دیده به یک شبکه جدید با استفاده از استراتژی یادگیری انتقال را بیاموزید. با نحوه آموزش چندین مدل هوش مصنوعی بر اساس XG-Boost، شبکه های عصبی مصنوعی، طبقه بندی کننده جنگل تصادفی و مقایسه عملکرد آنها در DataRobot آشنا شوید. یاد بگیرید که چگونه از ابزار SageMaker Studio AutoML برای ساخت، آموزش و استقرار مدل‌های AI/ML استفاده کنید که به تجربه کدنویسی تقریباً صفر نیاز دارد. بین KPIهای مدلهای رگرسیون مختلف مانند R2 یا ضریب تعیین، میانگین خطای مطلق و خطای میانگین مربعات تفاوت قائل شوید. با نحوه ساخت، آموزش، آزمایش و استقرار مدل‌های طبقه‌بندی پیشرفته یادگیری ماشینی با استفاده از Google Vertex AI آشنا شوید. درک نحوه استفاده از قدرت هوش مصنوعی/ML برای پیش‌بینی پیش‌فرض کارت اعتباری مشتریان بانک با استفاده از ویژگی‌های آن‌ها مانند نرخ بهره و هدف وام. یاد بگیرید چگونه یک مجموعه داده جدید با استفاده از Google Vertex AI ایجاد کنید. آزمایش‌ها را با استفاده از Google Vertex AI توسعه و مدیریت کنید. تئوری، شهود و ریاضیات پشت رگرسیون خطی ساده و چندگانه را درک کنید و بین KPIهای مدل های رگرسیون مختلف تفاوت قائل شوید. پس از اتمام کار بهینه سازی هایپرپارامترها، بهترین مدل را اجرا کنید و نحوه ارزیابی اهمیت ویژگی و توضیح پیش بینی های مدل را بیاموزید. استقرار و نظارت بر مدل‌های AI/ML و ایجاد برنامه‌های AI/ML با Google Vertex AI. پیش نیازها: این دوره هیچ پیش نیازی ندارد و برای افرادی که هیچ دانش برنامه نویسی یا دانش اولیه ندارند آزاد است. دانش آموزانی که در این دوره ثبت نام می کنند، بر اصول هوش مصنوعی تسلط پیدا می کنند و مستقیماً این مهارت ها را برای حل مشکلات چالش برانگیز دنیای واقعی به کار می گیرند.

انقلاب هوش مصنوعی بدون کد اینجاست! آیا برای استفاده از این موج جدید از ابزارهای کد پسند که راه را برای آینده هوش مصنوعی هموار می کند، آنچه لازم است دارید؟


کسب و کارها در هر اندازه می خواهند قدرت یادگیری ماشین و هوش مصنوعی را پیاده سازی کنند، اما موانع ورود زیاد است. اینجاست که ابزارهای بدون کد AI/ML بازی را تغییر می دهند.


از اجرای سریع تا هزینه‌های کمتر توسعه و سهولت استفاده، بخش‌ها در سراسر مراقبت‌های بهداشتی، مالی، بازاریابی و موارد دیگر به دنبال راه‌حل‌های بدون کد برای ارائه راه‌حل‌های تاثیرگذار هستند.


اما به همان اندازه که پیشگامانه هستند، هیچ چیز بدون استعدادی مانند شما نیستند...


  • آیا می‌خواهید از یادگیری ماشینی و هوش مصنوعی استفاده کنید اما از کدنویسی پیچیده درگیر ترسیدید؟

  • آیا می خواهید بر برخی از بهترین ابزارهای بدون کد موجود در بازار مسلط شوید؟

  • آیا می‌خواهید راه‌حل‌های ML و AI را در کسب‌وکار خود پیاده‌سازی کنید، اما پیش‌زمینه آکادمیک برای درک آن را ندارید؟


بله؟! پس این دوره برای شما مناسب است.


بر ابزارهای برتر بازار تسلط پیدا کنید و با ثبت نام در دوره جدید ما، شروع به حل سناریوهای صنعتی عملی کنید: 10 روز بوت کمپ هوش مصنوعی بدون کد


به استاد پرفروش ما دکتر رایان احمد بپیوندید و بیاموزید که چگونه با استفاده از این پیشرفته‌ترین مدل‌هایی را بسازید، آموزش دهید، آزمایش کنید، و مدل‌هایی را به کار بگیرید که 10 چالش عملی را در زمینه‌های مالی، منابع انسانی، تجارت و موارد دیگر حل می‌کنند. ابزار هنری:


  • Google Teachable Machine

  • Google TensorFlow Playground

  • DataRobot

  • AWS SageMaker Autopilot

  • Google Vertex AI

  • Tensorspace.JS


بهترین قسمت؟ شما ظرف 10 روز یا کمتر تمام می‌شوید!


به 10 پروژه حرفه ای که تکمیل خواهید کرد نگاهی بیندازید:


روز شماره 1: یک مدل هوش مصنوعی برای طبقه بندی عناصر مد با استفاده از Google Teachable Machines ایجاد کنید.

روز شماره 2: با بهینه سازی هایپرپارامترها، دوره ها و معماری شبکه، به جزئیات فنی هوش مصنوعی بپردازید.

روز شماره 3: ساخت، آموزش، آزمایش و استقرار یک مدل هوش مصنوعی برای شناسایی و طبقه‌بندی ماسک‌های صورت با استفاده از Google Teachable Machines.

روز شماره 4: با استفاده از Tensorspace.JS، Google Tensorflow Playground، و Ryerson 3D CNN Visualizations، مدل های پیشرفته هوش مصنوعی را تجسم کنید.

روز پنجم: یک مدل یادگیری ماشینی برای پیش‌بینی قیمت خودروهای دست دوم با استفاده از DataRobot ایجاد کنید.

روز ششم: یک مدل هوش مصنوعی برای پیش‌بینی نرخ فرسایش کارکنان با استفاده از DataRobot ایجاد کنید.

روز شماره 7: ایجاد یک مدل هوش مصنوعی برای تشخیص بیماری رتینوپاتی دیابتی با استفاده از DataRobot

روز هشتم: ساخت، آموزش، آزمایش و استقرار یک مدل هوش مصنوعی برای پیش‌بینی احساسات مشتری از روی متن.

روز نهم: یک هوش مصنوعی برای پیش‌بینی پیش‌فرض کارت اعتباری با استفاده از AWS SageMaker Autopilot ایجاد کنید.

روز شماره 10: یک مدل هوش مصنوعی برای پیش بینی پذیرش دانشگاه با استفاده از Google Vertex AI ایجاد کنید.


آماده اید مهارت های هوش مصنوعی خود را به روش های جدید و هیجان انگیز به چالش بکشید؟ اکنون ثبت نام کنید و قدرت ابزارهای هوش مصنوعی بدون کد را تجربه کنید.



سرفصل ها و درس ها

به دوره خوش آمدید! Welcome to the Course!

  • مقدمه دوره اصلی Main Course Intro

  • مقدمه دوره اصلی Main Course Intro

  • معرفی دوره و بهترین روش ها Course Introduction and Best Practices

  • ابرقدرت های هوش مصنوعی AI Superpowers

  • ابرقدرت های هوش مصنوعی AI Superpowers

  • اجزای کلیدی هوش مصنوعی Key AI Components

  • اجزای کلیدی هوش مصنوعی Key AI Components

  • طرح کلی دوره Course Outline

به دوره خوش آمدید! Welcome to the Course!

  • معرفی دوره و بهترین روش ها Course Introduction and Best Practices

  • طرح کلی دوره Course Outline

روز اول: یک مدل هوش مصنوعی برای طبقه بندی عناصر مد با استفاده از Google Teachable ایجاد کنید Day 1: Develop an AI model to classify fashion elements using Google Teachable

  • مقدمه روز 1 Introduction to Day 1

  • مقدمه روز 1 Introduction to Day 1

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. کاربردهای هوش مصنوعی در مد Task 2. AI Applications in Fashion

  • وظیفه 2. کاربردهای هوش مصنوعی در مد Task 2. AI Applications in Fashion

  • آزمون: کاربردهای هوش مصنوعی در مد Quiz: AI Applications in Fashion

  • آزمون: کاربردهای هوش مصنوعی در مد Quiz: AI Applications in Fashion

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 4. آموزش و آزمایش مدل در ماشین‌های قابل آموزش Google Task 4. Model Training and Testing in Google Teachable Machines

  • وظیفه 5. Export and Deploy Model in Google Teachable Machines Task 5. Export and Deploy Model in Google Teachable Machines

  • وظیفه 6. پروژه نهایی Task 6. Final Project

  • وظیفه 6. پروژه نهایی Task 6. Final Project

  • پایان روز 1 End of Day 1

  • پایان روز 1 End of Day 1

روز اول: یک مدل هوش مصنوعی برای طبقه بندی عناصر مد با استفاده از Google Teachable ایجاد کنید Day 1: Develop an AI model to classify fashion elements using Google Teachable

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 4. آموزش و آزمایش مدل در ماشین‌های قابل آموزش Google Task 4. Model Training and Testing in Google Teachable Machines

  • وظیفه 5. Export and Deploy Model in Google Teachable Machines Task 5. Export and Deploy Model in Google Teachable Machines

روز 2: فرو رفتن عمیق به نکات فنی هوش مصنوعی Day 2: Deep Dive into AI technicalities

  • مقدمه روز 2 Introduction to Day 2

  • مقدمه روز 2 Introduction to Day 2

  • وظیفه 1. بررسی اجمالی پروژه Task 1. Project Overview

  • وظیفه 2. شبکه های عصبی مصنوعی (ANN) ساده شده است Task 2. Artificial Neural Networks (ANNs) Simplified

  • وظیفه 2. شبکه های عصبی مصنوعی (ANN) ساده شده است Task 2. Artificial Neural Networks (ANNs) Simplified

  • آزمون: مدل های پیشرفته هوش مصنوعی Quiz: Cutting-Edge AI Models

  • آزمون: مدل های پیشرفته هوش مصنوعی Quiz: Cutting-Edge AI Models

  • وظیفه 3. آموزش هوش مصنوعی در مقابل فرآیند تست Task 3. AI Training vs. Testing Process

  • وظیفه 4. AI Lingo Task 4. AI Lingo

  • وظیفه 5. ماتریس سردرگمی Task 5. Confusion Matrix

  • وظیفه 5. ماتریس سردرگمی Task 5. Confusion Matrix

  • وظیفه 6. پروژه نهایی قسمت A Task 6. Final Project Part A

  • وظیفه 7. پروژه نهایی قسمت B Task 7. Final Project Part B

  • پایان روز 2 End of Day 2

روز 2: فرو رفتن عمیق به نکات فنی هوش مصنوعی Day 2: Deep Dive into AI technicalities

  • وظیفه 1. بررسی اجمالی پروژه Task 1. Project Overview

  • وظیفه 3. آموزش هوش مصنوعی در مقابل فرآیند تست Task 3. AI Training vs. Testing Process

  • وظیفه 4. AI Lingo Task 4. AI Lingo

  • وظیفه 6. پروژه نهایی قسمت A Task 6. Final Project Part A

  • وظیفه 7. پروژه نهایی قسمت B Task 7. Final Project Part B

  • پایان روز 2 End of Day 2

روز 3: شناسایی و طبقه‌بندی ماسک‌های صورت با استفاده از Google Teachable Machines Day 3: Detect and classify face masks using Google Teachable Machines

  • روز معرفی 3 Introduction Day 3

  • روز معرفی 3 Introduction Day 3

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. پرونده تجاری Task 2. Business Case

  • وظیفه 2. پرونده تجاری Task 2. Business Case

  • آزمون: برنامه های کاربردی هوش مصنوعی برای تشخیص چهره Quiz: AI Applications for Facial Recognition

  • آزمون: برنامه های کاربردی هوش مصنوعی برای تشخیص چهره Quiz: AI Applications for Facial Recognition

  • وظیفه 3. Google Teachable Machines Demo: مجموعه داده ها Task 3. Google Teachable Machines Demo: Data Collection

  • وظیفه 4. Google Teachable Machines Demo: Model Training Task 4. Google Teachable Machines Demo: Model Training

  • وظیفه 5. نسخه نمایشی ماشین‌های قابل آموزش Google: ارزیابی/استقرار مدل Task 5. Google Teachable Machines Demo: Model Evaluation/Deployment

  • وظیفه 6. طبقه‌بندی‌کننده KPIها را مدل‌سازی می‌کند Task 6. Classifier Models KPIs

  • وظیفه 6. طبقه‌بندی‌کننده KPIها را مدل‌سازی می‌کند Task 6. Classifier Models KPIs

  • وظیفه 7. دقت در مقابل یادآوری Task 7. Precision vs. Recall

  • وظیفه 8. پروژه نهایی Task 8. Final Project

  • پایان روز 3 End of Day 3

  • پایان روز 3 End of Day 3

روز 3: شناسایی و طبقه‌بندی ماسک‌های صورت با استفاده از Google Teachable Machines Day 3: Detect and classify face masks using Google Teachable Machines

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 3. Google Teachable Machines Demo: مجموعه داده ها Task 3. Google Teachable Machines Demo: Data Collection

  • وظیفه 4. Google Teachable Machines Demo: Model Training Task 4. Google Teachable Machines Demo: Model Training

  • وظیفه 5. نسخه نمایشی ماشین‌های قابل آموزش Google: ارزیابی/استقرار مدل Task 5. Google Teachable Machines Demo: Model Evaluation/Deployment

  • وظیفه 7. دقت در مقابل یادآوری Task 7. Precision vs. Recall

  • وظیفه 8. پروژه نهایی Task 8. Final Project

روز چهارم: تجسم مدل‌های هوش مصنوعی با استفاده از Tensorspace.JS و GTP Day 4: Visualize Artificial Intelligence Models Using Tensorspace.JS and GTP

  • روز معرفی 4 Introduction Day 4

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. شبکه های عصبی مصنوعی 101 Task 2. Artificial Neural Networks 101

  • آزمون: معماری شبکه های عصبی مصنوعی Quiz: Artificial Neural Networks Architectures

  • وظیفه 3. شبکه های عصبی مصنوعی را در GTP تجسم کنید Task 3. Visualize ANNs in GTP

  • وظیفه 4. پروژه نهایی قسمت A Task 4. Final Project Part A

  • وظیفه 5. شبکه های عصبی کانولوشن (CNN) Task 5. Convolutional Neural Networks (CNNs)

  • وظیفه 6. تجسم CNNs Task 6. CNNs Visualization

  • وظیفه 7. مروری بر معماری LeNet Task 7. LeNet Architecture Overview

  • وظیفه 7. مروری بر معماری LeNet Task 7. LeNet Architecture Overview

  • وظیفه 8. تجسم سه بعدی در Tensorspace.JS Task 8. 3D Visualization in Tensorspace.JS

  • وظیفه 8. تجسم سه بعدی در Tensorspace.JS Task 8. 3D Visualization in Tensorspace.JS

  • وظیفه 9. ResNet Visualization در TensorSpace.JS Task 9. ResNet Visualization in TensorSpace.JS

  • وظیفه 9. ResNet Visualization در TensorSpace.JS Task 9. ResNet Visualization in TensorSpace.JS

  • وظیفه 10. پروژه نهایی Task 10. Final Project

  • وظیفه 10. پروژه نهایی Task 10. Final Project

  • پایان روز 4 End of Day 4

روز چهارم: تجسم مدل‌های هوش مصنوعی با استفاده از Tensorspace.JS و GTP Day 4: Visualize Artificial Intelligence Models Using Tensorspace.JS and GTP

  • روز معرفی 4 Introduction Day 4

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. شبکه های عصبی مصنوعی 101 Task 2. Artificial Neural Networks 101

  • آزمون: معماری شبکه های عصبی مصنوعی Quiz: Artificial Neural Networks Architectures

  • وظیفه 3. شبکه های عصبی مصنوعی را در GTP تجسم کنید Task 3. Visualize ANNs in GTP

  • وظیفه 4. پروژه نهایی قسمت A Task 4. Final Project Part A

  • وظیفه 5. شبکه های عصبی کانولوشن (CNN) Task 5. Convolutional Neural Networks (CNNs)

  • وظیفه 6. تجسم CNNs Task 6. CNNs Visualization

  • پایان روز 4 End of Day 4

روز پنجم: یک مدل ML برای پیش‌بینی قیمت خودروهای دست دوم با استفاده از DataRobot ایجاد کنید Day 5: Develop an ML Model to predict used car prices using DataRobot

  • روز معرفی پنجم Introduction Day 5

  • روز معرفی پنجم Introduction Day 5

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. داستان های موفقیت و مورد تجاری Task 2. Success Stories and Business Case

  • آزمون: هوش مصنوعی برای پیش بینی قیمت Quiz: AI for Price Prediction

  • آزمون: هوش مصنوعی برای پیش بینی قیمت Quiz: AI for Price Prediction

  • وظیفه 3. بررسی اجمالی داده ها Task 3. Data Overview

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 5. نسخه نمایشی DataRobot: تجزیه و تحلیل داده های اکتشافی Task 5. DataRobot Demo: Exploratory Data Analysis

  • وظیفه 5. نسخه نمایشی DataRobot: تجزیه و تحلیل داده های اکتشافی Task 5. DataRobot Demo: Exploratory Data Analysis

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 7. نسخه نمایشی DataRobot: ارزیابی مدل Task 7. DataRobot Demo: Model Assessment

  • وظیفه 7. نسخه نمایشی DataRobot: ارزیابی مدل Task 7. DataRobot Demo: Model Assessment

  • وظیفه 8. نسخه ی نمایشی DataRobot: استقرار مدل Task 8. DataRobot Demo: Model Deployment

  • وظیفه 9. فنی Task 9. Technicalities

  • وظیفه 10. پروژه نهایی قسمت A Task 10. Final Project Part A

  • وظیفه 11. پروژه نهایی قسمت B Task 11. Final Project Part B

  • پایان روز پنجم End of Day 5

روز پنجم: یک مدل ML برای پیش‌بینی قیمت خودروهای دست دوم با استفاده از DataRobot ایجاد کنید Day 5: Develop an ML Model to predict used car prices using DataRobot

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 3. بررسی اجمالی داده ها Task 3. Data Overview

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 8. نسخه ی نمایشی DataRobot: استقرار مدل Task 8. DataRobot Demo: Model Deployment

  • وظیفه 9. فنی Task 9. Technicalities

  • وظیفه 10. پروژه نهایی قسمت A Task 10. Final Project Part A

  • وظیفه 11. پروژه نهایی قسمت B Task 11. Final Project Part B

  • پایان روز پنجم End of Day 5

روز ششم: یک مدل هوش مصنوعی برای پیش‌بینی ساییدگی کارمندان با استفاده از DataRobot ایجاد کنید Day 6: Develop an AI model to predict employee’s attrition using DataRobot

  • روز معرفی ششم Introduction Day 6

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. داستان های موفقیت و مورد تجاری Task 2. Success Stories and Business Case

  • وظیفه 2. داستان های موفقیت و مورد تجاری Task 2. Success Stories and Business Case

  • مطالب خواندنی: هوش مصنوعی چگونه منابع انسانی را متحول می کند؟ Reading Materials: How AI is Transforming Human Resources?

  • مطالب خواندنی: هوش مصنوعی چگونه منابع انسانی را متحول می کند؟ Reading Materials: How AI is Transforming Human Resources?

  • آزمون: هوش مصنوعی چگونه منابع انسانی را متحول می کند؟ Quiz: How AI is transforming Human Resources?

  • وظیفه 3. بررسی اجمالی داده ها Task 3. Data Overview

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 5. نسخه ی نمایشی DataRobot: کاوش داده ها Task 5. DataRobot Demo: Data Exploration

  • وظیفه 5. نسخه ی نمایشی DataRobot: کاوش داده ها Task 5. DataRobot Demo: Data Exploration

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 7. KPI مدل های طبقه بندی Task 7. Classification Models KPIs

  • وظیفه 8. ارزیابی مدل Task 8. Model Assessment

  • وظیفه 8. ارزیابی مدل Task 8. Model Assessment

  • وظیفه 9. پروژه نهایی Task 9. Final Project

  • پایان روز ششم End of Day 6

  • پایان روز ششم End of Day 6

روز ششم: یک مدل هوش مصنوعی برای پیش‌بینی ساییدگی کارمندان با استفاده از DataRobot ایجاد کنید Day 6: Develop an AI model to predict employee’s attrition using DataRobot

  • روز معرفی ششم Introduction Day 6

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. داستان های موفقیت و مورد تجاری Task 2. Success Stories and Business Case

  • آزمون: هوش مصنوعی چگونه منابع انسانی را متحول می کند؟ Quiz: How AI is transforming Human Resources?

  • وظیفه 3. بررسی اجمالی داده ها Task 3. Data Overview

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 7. KPI مدل های طبقه بندی Task 7. Classification Models KPIs

  • وظیفه 9. پروژه نهایی Task 9. Final Project

روز هفتم: یک مدل هوش مصنوعی برای تشخیص رتینوپاتی دیابتی با استفاده از DataRobot ایجاد کنید Day 7: Develop an AI model to detect Diabetic Retinopathy Using DataRobot

  • روز معرفی هفتم Introduction Day 7

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. مورد کسب و کار و داستان های موفقیت Task 2. Business Case and Success Stories

  • وظیفه 2. مورد کسب و کار و داستان های موفقیت Task 2. Business Case and Success Stories

  • آزمون: هوش مصنوعی چگونه به پیشگیری از نابینایی کمک می کند؟ Quiz: How AI is helping prevent Blindness?

  • آزمون: هوش مصنوعی چگونه به پیشگیری از نابینایی کمک می کند؟ Quiz: How AI is helping prevent Blindness?

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 5. نسخه ی نمایشی DataRobot: آموزش مدل Task 5. DataRobot Demo: Model Training

  • وظیفه 5. نسخه ی نمایشی DataRobot: آموزش مدل Task 5. DataRobot Demo: Model Training

  • وظیفه 6. DataRobot Demo: Deploy Model Task 6. DataRobot Demo: Deploy Model

  • وظیفه 6. DataRobot Demo: Deploy Model Task 6. DataRobot Demo: Deploy Model

  • وظیفه 7. هوش مصنوعی قابل توضیح Task 7. Explainable AI

  • وظیفه 7. هوش مصنوعی قابل توضیح Task 7. Explainable AI

  • وظیفه 8. پروژه نهایی Task 8. Final Project

  • وظیفه 8. پروژه نهایی Task 8. Final Project

  • پایان روز هفتم End of Day 7

  • پایان روز هفتم End of Day 7

روز هفتم: یک مدل هوش مصنوعی برای تشخیص رتینوپاتی دیابتی با استفاده از DataRobot ایجاد کنید Day 7: Develop an AI model to detect Diabetic Retinopathy Using DataRobot

  • روز معرفی هفتم Introduction Day 7

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

روز هشتم: یک مدل هوش مصنوعی را برای پیش‌بینی احساسات مشتری از متن استفاده کنید Day 8: Deploy an AI model to predict customer sentiment from Text

  • مقدمه روز هشتم Introduction to Day 8

  • مقدمه روز هشتم Introduction to Day 8

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. مورد تجاری، مواد خواندنی و آزمون Task 2. Business Case, Reading Materials and Quiz

  • آزمون: برنامه های کاربردی هوش مصنوعی برای تجزیه و تحلیل احساسات Quiz: AI/ML Applications For Sentiment Analysis

  • آزمون: برنامه های کاربردی هوش مصنوعی برای تجزیه و تحلیل احساسات Quiz: AI/ML Applications For Sentiment Analysis

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 5. نسخه ی نمایشی DataRobot: تجزیه و تحلیل داده ها Task 5. DataRobot Demo: Data Analysis

  • وظیفه 5. نسخه ی نمایشی DataRobot: تجزیه و تحلیل داده ها Task 5. DataRobot Demo: Data Analysis

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 7. نسخه ی نمایشی DataRobot: استقرار مدل Task 7. DataRobot Demo: Model Deployment

  • وظیفه 8. پروژه نهایی قسمت A Task 8. Final Project Part A

  • وظیفه 8. پروژه نهایی قسمت A Task 8. Final Project Part A

  • وظیفه 9. پروژه نهایی قسمت B Task 9. Final Project Part B

  • وظیفه 9. پروژه نهایی قسمت B Task 9. Final Project Part B

  • پایان روز هشتم End of Day 8

روز هشتم: یک مدل هوش مصنوعی را برای پیش‌بینی احساسات مشتری از متن استفاده کنید Day 8: Deploy an AI model to predict customer sentiment from Text

  • وظیفه 1. کارت پروژه و نسخه ی نمایشی Task 1. Project Card and Demo

  • وظیفه 2. مورد تجاری، مواد خواندنی و آزمون Task 2. Business Case, Reading Materials and Quiz

  • وظیفه 3. کاوش داده ها Task 3. Data Exploration

  • وظیفه 4. نسخه ی نمایشی DataRobot: آپلود داده ها Task 4. DataRobot Demo: Data Upload

  • وظیفه 6. نسخه ی نمایشی DataRobot: آموزش مدل Task 6. DataRobot Demo: Model Training

  • وظیفه 7. نسخه ی نمایشی DataRobot: استقرار مدل Task 7. DataRobot Demo: Model Deployment

  • پایان روز هشتم End of Day 8

روز نهم: پیش‌فرض کارت اعتباری را با استفاده از AWS SageMaker Autopilot پیش‌بینی کنید Day 9: Predict credit card default using AWS SageMaker Autopilot

  • روز معرفی نهم Introduction Day 9

  • کار 1. کارت پروژه Task 1. Project Card

  • کار 1. کارت پروژه Task 1. Project Card

  • وظیفه 2. برنامه های کاربردی هوش مصنوعی در تجارت Task 2. AI Applications in Business

  • آزمون: کاربردهای هوش مصنوعی در تجارت Quiz: AI Applications in Business

  • آزمون: کاربردهای هوش مصنوعی در تجارت Quiz: AI Applications in Business

  • وظیفه 3. AWS 101 Task 3. AWS 101

  • وظیفه 3. AWS 101 Task 3. AWS 101

  • وظیفه 4. AWS S3 EC2 و SageMaker Task 4. AWS S3 EC2 and SageMaker

  • وظیفه 5. AWS SageMaker Autopilot Demo 1 Task 5. AWS SageMaker Autopilot Demo 1

  • وظیفه 5. AWS SageMaker Autopilot Demo 1 Task 5. AWS SageMaker Autopilot Demo 1

  • وظیفه 5. AWS SageMaker Autopilot Demo 2 Task 5. AWS SageMaker Autopilot Demo 2

  • وظیفه 5. AWS SageMaker Autopilot Demo 3 Task 5. AWS SageMaker Autopilot Demo 3

  • وظیفه 6. نقطه پایانی را حذف کنید Task 6. Delete Endpoint

  • وظیفه 6. نقطه پایانی را حذف کنید Task 6. Delete Endpoint

  • وظیفه 7. بررسی اجمالی نهایی پروژه Task 7. Final Project Overview

  • وظیفه 7. بررسی اجمالی نهایی پروژه Task 7. Final Project Overview

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 1 Task 8. Final Project Solution - AWS AutoPilot Demo 1

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 1 Task 8. Final Project Solution - AWS AutoPilot Demo 1

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 2 Task 8. Final Project Solution - AWS AutoPilot Demo 2

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 2 Task 8. Final Project Solution - AWS AutoPilot Demo 2

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 3 Task 8. Final Project Solution - AWS AutoPilot Demo 3

  • وظیفه 8. راه حل نهایی پروژه - AWS AutoPilot Demo 3 Task 8. Final Project Solution - AWS AutoPilot Demo 3

  • پایان روز 9 End of Day 9

روز نهم: پیش‌فرض کارت اعتباری را با استفاده از AWS SageMaker Autopilot پیش‌بینی کنید Day 9: Predict credit card default using AWS SageMaker Autopilot

  • روز معرفی نهم Introduction Day 9

  • وظیفه 2. برنامه های کاربردی هوش مصنوعی در تجارت Task 2. AI Applications in Business

  • وظیفه 4. AWS S3 EC2 و SageMaker Task 4. AWS S3 EC2 and SageMaker

  • وظیفه 5. AWS SageMaker Autopilot Demo 2 Task 5. AWS SageMaker Autopilot Demo 2

  • وظیفه 5. AWS SageMaker Autopilot Demo 3 Task 5. AWS SageMaker Autopilot Demo 3

  • پایان روز 9 End of Day 9

روز دهم: پیش‌بینی مدل رگرسیون مبتنی بر هوش مصنوعی Google Vertex Day 10: Google Vertex AI-Powered Regression Model Prediction

  • وظیفه 1. ظهور یادگیری ماشینی در آموزش عالی Task 1. The Rise of Machine Learning in Higher Education

  • مسابقه: ظهور یادگیری ماشینی در آموزش عالی Quiz: The Rise of Machine Learning in Higher Education

  • مسابقه: ظهور یادگیری ماشینی در آموزش عالی Quiz: The Rise of Machine Learning in Higher Education

  • وظیفه 2. رگرسیون یادگیری ماشین Task 2. Machine Learning Regression

  • وظیفه 2. رگرسیون یادگیری ماشین Task 2. Machine Learning Regression

  • وظیفه 3. Vertex AI Demo Part 1 راه اندازی و آپلود Task 3. Vertex AI Demo Part 1 Setup and Upload

  • وظیفه 3. Vertex AI Demo Part 1 راه اندازی و آپلود Task 3. Vertex AI Demo Part 1 Setup and Upload

  • وظیفه 4. آموزش مدل Vertex AI Demo Part 2 Task 4. Vertex AI Demo Part 2 Model Training

  • وظیفه 4. آموزش مدل Vertex AI Demo Part 2 Task 4. Vertex AI Demo Part 2 Model Training

  • وظیفه 5. معیارهای مدل های رگرسیون یادگیری ماشین Task 5. Machine Learning Regression Models Metrics

  • وظیفه 6. Vertex AI Demo Part 3 Deploy Model Task 6. Vertex AI Demo Part 3 Deploy Model

  • وظیفه 6. Vertex AI Demo Part 3 Deploy Model Task 6. Vertex AI Demo Part 3 Deploy Model

  • وظیفه 7. خلاصه و جمع بندی اظهارات Task 7. Recap and Concluding Remarks

  • وظیفه 7. خلاصه و جمع بندی اظهارات Task 7. Recap and Concluding Remarks

  • پایان روز دهم End of Day 10

  • روز معرفی 10 Introduction Day 10

  • روز معرفی 10 Introduction Day 10

  • آزمون: 10 کاربرد یادگیری ماشین در امور مالی Quiz: 10 Applications of Machine Learning in Finance

روز دهم: پیش‌بینی مدل رگرسیون مبتنی بر هوش مصنوعی Google Vertex Day 10: Google Vertex AI-Powered Regression Model Prediction

  • وظیفه 1. ظهور یادگیری ماشینی در آموزش عالی Task 1. The Rise of Machine Learning in Higher Education

  • وظیفه 5. معیارهای مدل های رگرسیون یادگیری ماشین Task 5. Machine Learning Regression Models Metrics

  • پایان روز دهم End of Day 10

  • آزمون: 10 کاربرد یادگیری ماشین در امور مالی Quiz: 10 Applications of Machine Learning in Finance

نمایش نظرات

نظری ارسال نشده است.

آموزش 10 روز بوت کمپ هوش مصنوعی بدون کد
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
12.5 hours
113
Udemy (یودمی) udemy-small
17 آبان 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
5,134
4.5 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.