آموزش DP-100: یادگیری ماشینی A-Z با استفاده از یادگیری ماشینی Azure

DP-100: A-Z Machine Learning using Azure Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Microsoft Azure DP-100: طراحی و پیاده سازی یک آزمون راه حل علم داده تحت پوشش. یادگیری ماشین Azure برای آزمون Azure DP-100 Master Science Data and Models Learning Machine با استفاده از Azure ML آماده شوید و قبول شوید. پردازش داده با استفاده از Python و Pandas AzureML SDK برای Python برای چرخه زندگی کامل یادگیری ماشین. یادگیری ماشینی خودکار Azure برای توسعه و استقرار مدل یادگیری ماشینی سریعتر و کارآمد درک مفاهیم و شهود الگوریتم های یادگیری ماشینی ساخت مدل های یادگیری ماشین در عرض چند دقیقه استقرار الگوریتم های یادگیری ماشین درجه تولید استقرار وب سرویس های یادگیری ماشینی به ساده ترین روش پیش نیازها: ریاضی پایه خوب است کافی. این دوره نیازی به پیش زمینه در علوم داده ندارد. اگر یکی داشته باشید عالی می شود. اشتراک رایگان یا پولی Microsoft Azure لازم است. ممکن است برای تأیید تلفن و/یا کارت اعتباری درخواست کند

این دوره به شما و تیمتان کمک می‌کند تا مهارت‌های مورد نیاز را برای قبولی در آزمون گواهینامه Azure DP-100 که بیشترین تقاضا و چالش برانگیز است، ایجاد کنید. این گواهینامه یکی از پرتقاضاترین گواهینامه های Microsoft Certified را برای شما به ارمغان می آورد: Azure Data Scientist Associate.

DP-100 برای دانشمندان داده طراحی شده است. این آزمون دانش شما را از علم داده و یادگیری ماشین برای پیاده سازی مدل های یادگیری ماشین در Azure آزمایش می کند. بنابراین باید از اصول یادگیری ماشینی، پایتون، برنامه‌ریزی و ایجاد محیط‌های مناسب در Azure، ایجاد مدل‌های یادگیری ماشین و همچنین به‌کارگیری آن‌ها در تولید، آگاهی داشته باشید.

چرا باید به سراغ گواهینامه DP-100 بروید؟

  • یکی از معدود گواهینامه ها در زمینه علم داده و یادگیری ماشین.

  • شما می توانید با موفقیت دانش و توانایی های خود را در زمینه علم داده و یادگیری ماشین نشان دهید.

  • شما چشم انداز شغلی خود را به میزان قابل توجهی در زمینه علم داده و یادگیری ماشین بهبود خواهید داد.

نکات کلیدی در مورد این دوره

  • جدیدترین برنامه درسی را در ماه مه 2021 پوشش می دهد.

  • 100% برنامه درسی آزمون DP-100 پوشش داده شده است.

  • پوشش بسیار دقیق و جامع با بیش از 200 سخنرانی و 25 ساعت محتوا

  • دوره های Crash در پایتون و Azure Fundamentals برای کسانی که تازه وارد دنیای علم داده هستند

یادگیری ماشینی یکی از داغ ترین و پردرآمدترین مهارت هاست. همچنین یکی از جالب ترین زمینه ها برای کار کردن است.

در این دوره از یادگیری ماشین با استفاده از یادگیری ماشین Azure، یادگیری، ایجاد و استقرار مدل‌های یادگیری ماشین با استفاده از سرویس یادگیری ماشین Azure و همچنین استودیوی یادگیری ماشین Azure را هیجان‌انگیزتر و سرگرم‌کننده‌تر می‌کنیم. ما هر مفهومی را عمیقا مرور خواهیم کرد. این دوره نه تنها تکنیک های اولیه، بلکه تکنیک های پیشرفته پردازش داده، انتخاب ویژگی و تنظیم پارامتر را نیز آموزش می دهد که یک متخصص با تجربه و کارکشته علوم داده معمولاً به کار می گیرد. با استفاده از این تکنیک ها، در مدت زمان بسیار کوتاهی، می توانید نتایجی را که یک دانشمند داده با تجربه می تواند به دست آورد، مطابقت دهید.

این دوره به شما کمک می‌کند تا برای ورود به این مسیر شغلی داغ یادگیری ماشین و همچنین آزمون Azure DP-100: Azure Data Scientist Associate آماده شوید.

----- برنامه درسی امتحان برای آزمون DP-100 -----

1. یک فضای کاری یادگیری ماشینی Azure (30-35٪) راه اندازی کنید

یک فضای کاری یادگیری ماشینی Azure ایجاد کنید

  • یک فضای کاری یادگیری ماشینی Azure ایجاد کنید تنظیمات فضای کاری را پیکربندی کنید

  • با استفاده از استودیوی یادگیری ماشینی Azure یک فضای کاری را مدیریت کنید

اشیاء داده را در یک فضای کاری یادگیری ماشینی Azure مدیریت کنید

  • ذخیره‌های داده را ثبت و نگهداری کنید

  • ایجاد و مدیریت مجموعه داده ها

زمینه های محاسباتی آزمایشی را مدیریت کنید

  • یک نمونه محاسباتی ایجاد کنید

  • مشخصات محاسباتی مناسب برای حجم کار آموزشی را تعیین کنید

  • اهداف محاسباتی برای آزمایش‌ها و آموزش ایجاد کنید


اجرای آزمایش‌ها و مدل‌های قطار (25-30%)

با استفاده از Azure Machine Learning Designer

مدل ایجاد کنید
  • با استفاده از طراح یادگیری ماشین Azure یک خط لوله آموزشی ایجاد کنید

  • دریافت داده‌ها در خط لوله طراح

  • از ماژول های طراح برای تعریف جریان داده خط لوله

    استفاده کنید
  • از ماژول‌های کد سفارشی در طراح استفاده کنید

اسکریپت های آموزشی را در یک فضای کاری یادگیری ماشینی Azure اجرا کنید

  • با استفاده از Azure Machine Learning SDK آزمایشی ایجاد و اجرا کنید

  • تنظیمات اجرا را برای یک اسکریپت پیکربندی کنید

  • مصرف داده‌های یک مجموعه داده در یک آزمایش با استفاده از Azure Machine Learning SDK

معیارهایی را از اجرای آزمایشی

ایجاد کنید
  • ثبت سنجه‌ها از اجرای آزمایش

  • بازیابی و مشاهده خروجی های آزمایش

  • از گزارش‌ها برای عیب‌یابی خطاهای اجرای آزمایش استفاده کنید

فرآیند آموزش مدل را خودکار کنید

  • با استفاده از SDK یک خط لوله ایجاد کنید

  • داده‌ها را بین مراحل در خط لوله انتقال دهید

  • یک خط لوله را اجرا کنید

  • نظارت بر اجرای خط لوله


بهینه سازی و مدیریت مدل ها (20-25%)

از Automated ML برای ایجاد مدل های بهینه استفاده کنید

  • از رابط خودکار ML در استودیوی یادگیری ماشینی Azure

    استفاده کنید
  • از Automated ML از Azure Machine Learning SDK استفاده کنید

  • گزینه های پیش پردازش را انتخاب کنید

  • الگوریتم های مورد جستجو را تعیین کنید

  • متریک اولیه را تعریف کنید

  • دریافت داده برای اجرای خودکار ML

  • بهترین مدل را بازیابی کنید

از Hyperdrive برای تنظیم هایپرپارامترها استفاده کنید

  • یک روش نمونه گیری را انتخاب کنید

  • فضای جستجو را تعریف کنید

  • متریک اولیه

    را تعریف کنید
  • گزینه های خاتمه زودهنگام

    را تعریف کنید
  • مدلی را بیابید که مقادیر فراپارامتر بهینه دارد

از توضیح دهنده مدل برای تفسیر مدل ها استفاده کنید

  • یک مفسر مدل انتخاب کنید

  • داده های اهمیت ویژگی را ایجاد کنید

مدیریت مدل‌ها

  • یک مدل آموزش دیده را ثبت کنید

  • نظارت استفاده از مدل

  • پیشرفت داده‌ها

    را کنترل کنید


مدل‌های استقرار و مصرف (20-25%)

اهداف محاسباتی تولید را ایجاد کنید

  • امنیت سرویس های مستقر را در نظر بگیرید

  • گزینه‌های محاسبه برای استقرار را ارزیابی کنید

استقرار یک مدل به عنوان یک سرویس

  • تنظیمات استقرار را پیکربندی کنید

  • یک سرویس مستقر را مصرف کنید

  • عیب‌یابی مشکلات کانتینر استقرار

یک خط لوله برای استنتاج دسته ای ایجاد کنید

  • یک خط لوله استنتاج دسته ای را منتشر کنید

  • یک خط لوله استنتاج دسته ای را اجرا کنید و خروجی ها را بدست آورید

یک خط لوله طراح را به عنوان یک وب سرویس منتشر کنید

  • یک منبع محاسباتی هدف ایجاد کنید

  • یک خط لوله استنتاج را پیکربندی کنید

  • نقطه پایانی مستقر شده را مصرف کنید


برخی بازخورد از دانش آموزان قبلی،

  1. "مدرس هر مفهومی را به آرامی و واضح توضیح داد. من یک حسابدار بدون سابقه فنی و دانش آماری عالی هستم. من واقعا از این آزمایشگاه ها و سخنرانی های مفید قدردانی می کنم. DP-100 را در دسامبر 2020 گذراندم. این دوره آموزشی واقعا کمک می کند."


  2. "امروز با کمک این دوره DP-100 را پاک کردم. من می گویم این یکی از بهترین دوره ها برای کسب دانش عمیق در مورد یادگیری ماشینی Azure و پاکسازی DP-100 به راحتی است. از شما Jitesh و تیم تشکر می کنیم. برای این آموزش فوق العاده که به من کمک کرد تا گواهینامه را پاک کنم."


  3. "مدرس مفهوم ریاضی را به وضوح توضیح داد. این مفاهیم ریاضی به عنوان پایه یادگیری ماشین ضروری هستند و همچنین برای مطالعه مفاهیم امتحان DP-100 بسیار مفید هستند. DP-100 را گذرانده اید."


من به موفقیت شما متعهد هستم و روی آن سرمایه گذاری می کنم. من همیشه به همه سوالات پاسخ داده ام و حتی یک سوال بیش از چند روز بی پاسخ نمی ماند. این دوره همچنین به طور مرتب با ویژگی های جدیدتر به روز می شود.

یادگیری علم داده و سپس استقرار بیشتر مدل‌های یادگیری ماشین در گذشته دشوار بوده است. برای سهولت کار، مفاهیم را با استفاده از مثال های بسیار ساده و روزمره توضیح داده ام. Azure ML روش مایکروسافت برای دموکراتیک کردن یادگیری ماشین است. ما از این ابزار انقلابی برای پیاده سازی مدل های خود استفاده خواهیم کرد. پس از یادگیری، می‌توانید مدل‌های یادگیری ماشینی را در کمتر از یک ساعت با استفاده از استودیوی یادگیری ماشینی Azure ایجاد و اجرا کنید.

استودیوی یادگیری ماشینی Azure ابزاری عالی برای یادگیری ساخت مدل‌های پیشرفته بدون نوشتن یک خط کد با استفاده از قابلیت کشیدن و رها کردن ساده است. Azure Machine Learning (AzureML) به عنوان یک تغییر دهنده بازی در حوزه علم داده و یادگیری ماشین در نظر گرفته می شود.

این دوره با در نظر گرفتن دانشمند داده سطح ورودی یا نداشتن سابقه برنامه نویسی طراحی شده است. این دوره همچنین به دانشمندان داده کمک می کند تا ابزار AzureML را یاد بگیرند. اگر از قبل با مفاهیم یا اصول یادگیری ماشینی آشنا هستید، می‌توانید برخی از سخنرانی‌های اولیه را نادیده بگیرید یا آنها را با سرعت ۲ برابر اجرا کنید.

این دوره بسیار کاربردی است و شما می توانید در حین یادگیری، مدل های پیشرفته خود را توسعه دهید،

  • روشهای پیشرفته پردازش داده

  • تحلیل آماری داده‌ها با استفاده از ماژول‌های یادگیری ماشین Azure

  • MICE یا Multiple Imputation By Chained Equation

  • SMOTE یا روش نمونه برداری بیش از حد اقلیت مصنوعی

  • PCA; تجزیه و تحلیل مؤلفه اصلی

  • دو طبقه بندی و طبقه بندی چند طبقه

  • رگرسیون لجستیک

  • درخت تصمیم

  • رگرسیون خطی

  • دستگاه بردار پشتیبانی (SVM)

  • درک نحوه ارزیابی و امتیازدهی مدل ها

  • توضیح دقیق پارامترهای ورودی به مدل‌ها

  • نحوه انتخاب بهترین مدل با استفاده از Hyperparameter Tuning

  • مدل‌های خود را با استفاده از استودیوی یادگیری ماشین Azure به‌عنوان یک وب سرویس مستقر کنید

  • تحلیل خوشه ای

  • K-Means Clustering

  • انتخاب ویژگی با استفاده از Filter-based و همچنین Fisher LDA AzureML Studio

  • سیستم توصیه با استفاده از یکی از قدرتمندترین توصیه‌کننده‌های Azure Machine Learning

  • همه اسلایدها و مطالب مرجع برای خواندن آفلاین

شما همه موارد فوق را یاد خواهید گرفت و به آنها مسلط خواهید شد، حتی اگر هیچ دانش قبلی از برنامه نویسی نداشته باشید.

این دوره یک دوره آموزشی کامل برای یادگیری ماشین با اصول اولیه است. ما نه تنها مدل‌ها را می‌سازیم، بلکه پارامترهای مختلف همه آن مدل‌ها و جایی که می‌توانیم آنها را اعمال کنیم را توضیح خواهیم داد.

ما همچنین به

نگاه خواهیم کرد
  • مراحل ساخت مدل ML.

  • یادگیری تحت نظارت و بدون نظارت

  • درک داده ها و پیش پردازش

  • انواع مدل های مختلف

  • برگ تقلب AzureML.

  • نحوه استفاده از طبقه بندی و رگرسیون

  • خوشه‌بندی یا تحلیل خوشه‌ای چیست

KDNuggets یکی از انجمن‌های پیشرو در علم داده، یادگیری ماشینی Azure را به‌عنوان چیز بزرگ بعدی در یادگیری ماشینی می‌نامد. در ادامه می‌گوید: «افراد بدون پیش‌زمینه علم داده‌ها همچنین می‌توانند مدل‌های داده را از طریق ژست‌های کشیدن و رها کردن و نمودارهای ساده جریان داده بسازند».

کتابخانه Azure Machine Learning مدل‌های از پیش ساخته شده زیادی دارد که می‌توانید دوباره از آنها استفاده کنید و همچنین آنها را به کار بگیرید.

بنابراین، دکمه ثبت نام را بزنید و من شما را در داخل دوره می بینم.

بهترین-


سرفصل ها و درس ها

معرفی دوره Course Introduction

  • یادداشت در مورد DP-100 Exam و New Studio Note on DP-100 Exam and New Studio

  • حساب رایگان Azure خود را ایجاد کنید Create Your Free Azure Account

  • اسلایدهای دوره و همچنین فایل های داده برای همه بخش ها The course slides as well as Data Files for all sections

  • پیام مهم درباره نظرات Udemy Important Message About Udemy Reviews

مبانی یادگیری ماشین Basics of Machine Learning

  • آنچه در این بخش خواهید آموخت What You Will Learn in This Section

  • چرا یادگیری ماشینی آینده است؟ Why Machine Learning is the Future?

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • درک جنبه های مختلف داده - نوع، متغیرها، دسته Understanding various aspects of data - Type, Variables, Category

  • اصطلاحات رایج یادگیری ماشین - احتمال، میانگین، حالت، میانه، محدوده Common Machine Learning Terms - Probability, Mean, Mode, Median, Range

  • انواع مدل های یادگیری ماشین - طبقه بندی، رگرسیون، خوشه بندی و غیره Types of Machine Learning Models - Classification, Regression, Clustering etc

  • مبانی یادگیری ماشین Basics of Machine Learning

شروع کار با Azure ML Getting Started with Azure ML

  • در این بخش چه خواهید آموخت؟ What You Will Learn in This Section?

  • معماری Azure ML و سطح بالا چیست. What is Azure ML and high level architecture.

  • گردش کار آزمایشی Azure ML Azure ML Experiment Workflow

  • برگه تقلب Azure ML برای انتخاب مدل Azure ML Cheat Sheet for Model Selection

  • شروع کار با AzureML Getting Started with AzureML

------- آزمون گواهینامه DP - 100 --------- ------- DP - 100 Certification Exam ---------

  • برنامه درسی آزمون DP-100 DP-100 Exam Curriculum

یادگیری ماشین لاجورد با طراح استودیو Azure Machine Learning with Studio Designer

  • این بخش چه چیزی را پوشش می دهد؟ What this Section Covers?

DP-100 - فضای کاری یادگیری ماشین Azure را راه اندازی کنید DP-100 - Set-up Azure Machine Learning Workspace

  • با استفاده از SDK فضای کاری AzureML ایجاد کنید Create AzureML Workspace using SDK

  • Workspace را تأیید کنید و فایل پیکربندی Workspace را بنویسید Verify the Workspace and Write the Workspace Config File

  • با استفاده از AzureML SDK یک Datastore ایجاد و ثبت کنید Create and Register a Datastore using AzureML SDK

  • با استفاده از SDK یک مجموعه داده ایجاد و ثبت کنید Create and Register a Dataset using SDK

  • با استفاده از SDK به Workspace، Datastore و Datasets دسترسی پیدا کنید Access Workspace, Datastore and Datasets using SDK

  • تبدیل Pandas Dataframe و AzureML Dataset Pandas Dataframe and AzureML Dataset conversions

  • داده های محلی را از طریق datastore به حساب ذخیره سازی آپلود کنید Upload local data to storage account via datastore

DP-100 - آزمایش‌ها و مدل‌های قطار را اجرا کنید DP-100 - Run Experiments and Train Models

  • بیان مسئله - یک آزمایش نمونه و مقادیر ثبت را اجرا کنید Problem Statement - Run a sample experiment and log values

  • یک آزمایش نمونه را با استفاده از AzureML SDK - قسمت 1 اجرا کنید Run a sample experiment using AzureML SDK - Part 1

  • یک آزمایش نمونه را با استفاده از AzureML SDK - قسمت 2 اجرا کنید Run a sample experiment using AzureML SDK - Part 2

  • یک اسکریپت را در محیط Azureml اجرا کنید - قسمت 1 Run a script in Azureml environment - Part 1

  • اجرای یک اسکریپت در محیط Azureml - قسمت 2 Run a script in Azureml environment - Part 2

  • اجرای یک اسکریپت در محیط Azureml - قسمت 3 Run a script in Azureml environment - Part 3

  • یک اسکریپت را در محیط Azureml اجرا کنید - قسمت 4 Run a script in Azureml environment - Part 4

  • اجرای یک اسکریپت در محیط Azureml - قسمت 5 Run a script in Azureml environment - Part 5

  • پوشش آزمون DP-100 تاکنون. DP-100 Exam Coverage So far.

  • آموزش و اجرای یک مدل اسکریپت در AzureML قسمت 1 Train and Run a Model Script in AzureML Part 1

  • آموزش و اجرای یک مدل اسکریپت در AzureML قسمت 2 Train and Run a Model Script in AzureML Part 2

  • آموزش و اجرای یک مدل اسکریپت در AzureML قسمت 3 Train and Run a Model Script in AzureML Part 3

  • آموزش و اجرای یک مدل اسکریپت در AzureML قسمت 4 Train and Run a Model Script in AzureML Part 4

  • آموزش و اجرای یک مدل اسکریپت در AzureML قسمت 5 Train and Run a Model Script in AzureML Part 5

  • تهیه خوشه محاسباتی با استفاده از SDK Provisioning Compute Cluster using SDK

  • آموزش مدل به صورت خودکار با استفاده از AzureML SDK Automate Model Training using AzureML SDK

  • آموزش مدل خودکار - مراحل خط لوله را تعریف کنید Automate Model Training - Define Pipeline Steps

  • آموزش خودکار مدل - تعریف Run Configuration Automate Model Training - Define Run Configuration

  • آموزش مدل خودکار - ساخت و اجرا را تعریف کنید Automate Model Training - Define Build and Run

  • انحراف - آرگومان های خط فرمان Detour - Command Line Arguments

  • آموزش خودکار مدل - Create Dataprep Step Automate Model Training - Create Dataprep Step

  • آموزش مدل خودکار - مرحله آموزش ایجاد کنید Automate Model Training - Create Training Step

  • خط لوله را اجرا کنید و نتایج را ببینید Run the pipeline and see the results

DP-100 مدل ها را مستقر و مصرف کنید DP-100 Deploy and consume the models

  • به‌روزرسانی مهم قبل از شروع ویدیوی بعدی. Important Update before you begin next video.

  • یک خط لوله استنتاج ایجاد کنید Create an Inference Pipeline

  • یک نقطه پایانی بلادرنگ با استفاده از Designer مستقر کنید Deploy a real-time endpoint using Designer

  • با استفاده از Designer یک خط لوله استنتاج دسته ای ایجاد کنید Create a batch inference pipeline using Designer

  • یک خط لوله استنتاج دسته ای را از Designer اجرا کنید Run a Batch Inference Pipeline from Designer

پردازش داده با استفاده از AzureML Designer Data Processing using AzureML Designer

  • به روز رسانی مهم - تغییرات رابط کاربری AzureML Designer Important update - AzureML Designer UI Changes

  • دریافت داده به فضای کاری Get Data to the workspace

  • داده ها را از منابع خارجی به فضای کاری وارد کنید Import Data to the workspace from external sources

  • ویرایش فراداده - نام ستون ها Edit Metadata - Column Names

  • درک Run Understanding the Run

  • ویرایش فراداده - نوع داده Edit Metadata - Data Type

  • داده ها را به Blob Storage صادر کنید Export Data to the Blob Storage

  • اضافه کردن ستون به مجموعه داده Add Columns to the Dataset

  • سطرها را به مجموعه داده اضافه کنید Add Rows to the Dataset

  • عادی سازی داده ها قسمت 1 Normalization of Data Part 1

  • عادی سازی داده ها قسمت 2 Normalization of Data Part 2

  • پاک کردن داده های از دست رفته Clean Missing Data

  • پارتیشن و داده های نمونه قسمت 1 Partition and Sample Data Part 1

  • پارتیشن و نمونه داده قسمت 2 Partition and Sample Data Part 2

طبقه بندی Classification

  • رگرسیون لجستیک چیست؟ What is Logistic Regression

  • رگرسیون لجستیک دو کلاس - بیان مسئله Two Class Logistic Regression - Problem Statement

  • آماده سازی داده ها برای طبقه بندی دو طبقه Data Preparation for Two Class Classification

  • آموزش مدل رگرسیون لجستیک Train the Model for Logistic Regression

  • مدل قسمت 1 را ارزیابی کنید Evaluate the Model Part 1

  • مدل - ماتریس سردرگمی را ارزیابی کنید Evaluate the Model - Confusion Matrix

  • مدل - AUC ROC را ارزیابی کنید Evaluate the Model - AUC ROC

  • پارامترهای رگرسیون لجستیک دو کلاسه Parameters of Two Class Logistics Regression

  • درخت تصمیم چیست؟ What is Decision Tree?

  • آموزش گروهی در درخت تصمیم Ensemble Learning in Decision Tree

  • بسته بندی و تقویت در درخت تصمیم Bagging and Boosting in Decision Tree

  • Hands On - درخت تصمیم تقویت شده دو کلاس را آموزش دهید Hands On - Train the Two Class Boosted Decision Tree

  • ارزیابی و مقایسه خروجی درخت تصمیم Evaluate and Compare Decision Tree output

رگرسیون با استفاده از AzureML Designer Regression using AzureML Designer

  • رگرسیون خطی چیست؟ What is Linear Regression?

  • حداقل مربعات معمولی و خطاهای رایج Ordinary Least Square and Common Errors

  • Hands On - تجزیه و تحلیل داده های پیش بینی قیمت خودرو Hands On - Automobile Price Predictions Data Analysis

  • Hands On - پردازش داده های پیش بینی قیمت خودرو Hands On - Automobile Price Predictions Data Processing

  • Hands On - مدل قطار پیش بینی قیمت خودرو Hands On - Automobile Price Predictions Train Model

  • دست در دست - پیش بینی قیمت خودرو ارزیابی می شود Hands On - Automobile Price Predictions Evaluate

  • R-squared یا ضریب تعیین R-Squared or Coefficient of Determination

  • ریاضی پشت شیب نزول Math Behind Gradient Descent

  • گرادیان نزول توضیح داده شده است Gradient Descent Explained

  • نزول شیب آنلاین یا تصادفی Online or Stochastic Gradient Descent

  • آزمایش - رگرسیون خطی با استفاده از نزول گرادیان آنلاین Experiment - Linear Regression using Online Gradient Descent

  • رگرسیون خطی را با استفاده از نزول گرادیان آنلاین ارزیابی کنید Evaluate Linear Regression using Online Gradient Descent

طراح/استودیوی کلاسیک در مقابل پانداها و Scikit-learn Designer/Classic Studio Vs Pandas and Scikit-learn

  • یادداشتی در مورد آناکوندا و اسپایدر. A note on Anaconda and Spyder.

  • این بخش در مورد چیست؟ What this section is about?

  • پانداها - وارد کردن داده‌ها برای آزمایش‌ها Pandas - Import Data for Experiments

  • Pandas - Import Data Part 2 Pandas - Import Data Part 2

  • ستون ها را با استفاده از پاندا انتخاب کنید Select Columns using Pandas

  • روش Columns By drop را انتخاب کنید Select Columns By drop method

  • ستون ها و ردیف ها را اضافه کنید Add columns and rows

  • پاک کردن داده های از دست رفته Clean Missing Data

  • ویرایش متادیتای ستون ها با استفاده از پانداها Edit Metadata of columns using Pandas

  • ایجاد آمار خلاصه با استفاده از توصیف Create Summary Statistics using describe

  • مقادیر کلیپ - با استفاده از ثابت ها، موارد پرت را حذف کنید Clip Values - Remove Outliers using Constants

  • مقادیر کلیپ - نقاط پرت را با درصد حذف کنید Clip Values - Remove Outliers with Percentiles

  • با استفاده از پاندا یک فایل محدود شده را تبدیل و ذخیره کنید Convert and Save a delimited file using Pandas

  • عادی سازی داده ها Data Normalization

  • رمزگذاری برچسب داده های دسته بندی رشته ها Label Encoding of String Categorical data

  • چرا کدگذاری داغ مورد نیاز است؟ Why Hot encoding is required?

  • رمزگذاری داغ با استفاده از Pandas get_dummies Hot Encoding using Pandas get_dummies

  • تقسیم داده ها برای آموزش و آزمایش Split The Data for training and testing

  • ساخت رگرسیون لجستیک با استفاده از پایتون - قسمت 1 Build Logistic Regression using Python - Part 1

  • ساخت رگرسیون لجستیک با استفاده از پایتون - قسمت 2 Build Logistic Regression using Python - Part 2

یادگیری ماشینی Azure با AzureML SDK Azure Machine Learning with AzureML SDK

  • مقدمه ای بر AzureML SDK Introduction to AzureML SDK

استفاده از اسکریپت های پایتون در AzureML Designer Using Python Scripts in AzureML Designer

  • اسکریپت ساده پایتون در دیزاینر Simple Python Script in Designer

  • اسکریپت پایتون را با استفاده از Zip Bundle اجرا کنید Execute Python Script using Zip Bundle

  • اسکریپت پایتون را با استفاده از Zip Bundle - Hands on اجرا کنید Execute Python Script using Zip Bundle - Hands on

DP-100 - بهینه سازی و مدیریت مدل ها DP-100 - Optimize and Manage Models

  • پوشش بخش Section Coverage

از ML خودکار برای ایجاد مدل های بهینه استفاده کنید Use Automated ML to Create Optimal Models

  • Azure AutoML چیست؟ What is Azure AutoML?

  • از رابط خودکار ML در استودیوی یادگیری ماشینی Azure استفاده کنید Use the Automated ML interface in Azure Machine Learning studio

  • نتیجه اجرای AutoML را مشاهده کنید View the AutoML Run Result

  • توجه داشته باشید در مورد فراخوان ماکرو عادی Note on Normalized Macro Recall

  • از ML خودکار از Azure Machine Learning SDK استفاده کنید Use Automated ML from the Azure Machine Learning SDK

  • بهترین مدل را بازیابی کنید و نتایج را مشاهده کنید Retrieve the Best Model and View results

از Azure Hyperdrive برای تنظیم هایپرپارامترها استفاده کنید Use Azure Hyperdrive to Tune Hyperparameters

  • آشنایی با Azure Hyperdrive Introduction to Azure Hyperdrive

  • فضای جستجوی Hyperparameter را تعریف کنید Define the Hyperparameter Search Space

  • یک روش نمونه گیری انتخاب کنید Select a Sampling method

  • گزینه های خاتمه زودهنگام را تعریف کنید Define Early Termination Options

  • اجرای Hyperdrive را پیکربندی کنید Configure the Hyperdrive run

  • اسکریپت آموزشی برای اجرای Hyperdrive ایجاد کنید Create the Training Script for Hyperdrive run

  • بهترین مدل را بازیابی کنید Retrieve the Best Model

از توضیح دهنده مدل برای تفسیر مدل ها استفاده کنید Use model explainers to interpret models

  • چرا توضیح مدل مهم است؟ Why model explanation is important?

  • درک ارزش شیپلی Understanding Shapley Value

  • تکنیک های تفسیرپذیری در Azure Interpretability Techniques in Azure

  • پیاده سازی تفسیرپذیری - تنظیم اولیه Implement Interpretability - Initial Set-up

  • پیاده سازی تفسیرپذیری - توضیحات جهانی Implement Interpretability - Global Explanations

  • پیاده سازی تفسیرپذیری - توضیحات محلی Implement Interpretability - Local Explanations

  • پیاده سازی تفسیرپذیری - توضیحات محلی قسمت 2 Implement Interpretability - Local Explanations Part 2

  • اسکریپت مدل Interpret را در فضای کاری Azure اجرا کنید Run Interpret Model Script in Azure Workspace

  • توضیحات را در استودیوی AzureML تجسم کنید Visualize Explanations in AzureML Studio

  • مقادیر اهمیت ویژگی را بازیابی/دانلود کنید. Retrieve/Download Feature Importance Values.

ثبت و استقرار مدل با استفاده از AzureML SDK Model Registration and Deployment using AzureML SDK

  • مراحل استقرار مدل Model Deployment Steps

  • آشنایی با سریال سازی مدل/اشیاء Understanding Model/Object Serialization

  • Hands on - سریال سازی با استفاده از Joblib Hands on - Serialization using Joblib

  • مدیریت ارزش‌های OneHotEncoding/Dummy در تولید Handling OneHotEncoding/Dummy Values in Production

  • دست در دست - متغیرهای ساختگی در تولید Hands on - Dummy Variables in Production

  • آموزش مدل برای استقرار وب سرویس Train the model for webservice deployment

  • با استفاده از Run_ID مدل را ثبت کنید Register the Model using Run_ID

  • مدل را با استفاده از فایل pkl محلی ثبت کنید Register the Model using local pkl file

  • تمام مدل های ثبت شده را از فضای کاری بازیابی کنید Retrieve all the registered models from the workspace

  • تهیه خوشه تولید AKS با استفاده از SDK Provisioning AKS Production Cluster using SDK

  • Inference and Deployment Configuration را برای Webservice ایجاد کنید Create the Inference and Deployment Configuration for Webservice

  • اسکریپت ورودی - تابع Init Entry Script - Init Function

  • درک پردازش داده با استفاده از JSON، Dictionary و Dataframe Understanding Data processing using JSON, Dictionary and Dataframe

  • اسکریپت ورودی - اجرای تابع Entry Script - run Function

  • شیء استقرار وب سرویس را ایجاد کنید Create webservice deployment object

  • یک نقطه پایانی بلادرنگ با استفاده از SDK مستقر کنید Deploy a real-time endpoint using SDK

  • وب سرویس را از برنامه پایتون مصرف کنید Consume the web service from Python program

  • از وب سرویس به عنوان نقطه پایانی استفاده کنید. Consume the web service as an End Point.

استفاده از Databricks با یادگیری ماشینی Azure Using Databricks with Azure Machine Learning

  • Databricks به روز رسانی به DP-100 Databricks Update to DP-100

  • (اختیاری) Big Data چیست؟ (Optional) What is Big Data?

  • (اختیاری) هادوپ چیست؟ (Optional) What is Hadoop?

  • Spark و Databricks چیست؟ What is Spark and Databricks?

  • یک فضای کاری Azure Databricks ایجاد کنید Create an Azure Databricks workspace

  • نکته در مورد حذف منبع Databricks در پرتال Azure Note on Deleting Databricks resource in Azure Portal

  • نکته در مورد افزایش محدودیت های سهمیه vCPU Note on Increasing vCPU Quota Limits

  • یک خوشه Azure Databricks ایجاد کنید Create an Azure Databricks cluster

  • AzureML Workspace را با Databricks Workspace پیوند دهید Link AzureML Workspace with the Databricks Workspace

  • ایجاد و اجرای نوت بوک در Azure Databricks Part-1 Create and run notebooks in Azure Databricks Part-1

  • ایجاد و اجرای نوت بوک در Azure Databricks Part-2 Create and run notebooks in Azure Databricks Part-2

  • با استفاده از dbutils Part-1، ذخیره Blob را به Databricks متصل کنید Mount Blob storage to Databricks using dbutils Part-1

  • با استفاده از dbutils Part-2، ذخیره Blob را به Databricks متصل کنید Mount Blob storage to Databricks using dbutils Part-2

  • با Databricks Notebook یک آزمایش sklearn را اجرا کنید Run an sklearn experiment with Databricks Notebook

  • مروری بر اجرای یک اسکریپت آموزشی با استفاده از DatabricksStep در خط لوله Overview to Run a Training script using DatabricksStep in a pipeline

  • ذخیره داده ها در ذخیره سازی Azure Blob از Databricks Saving data to Azure Blob storage from Databricks

  • انتقال پارامترها بین نوت بوک های Azure Databricks Passing parameters between Azure Databricks notebooks

  • یک خوشه Databricks را به عنوان یک هدف محاسباتی پیوست شده ضمیمه کنید Attach a Databricks Cluster as an Attached Compute Target

  • تأیید خوشه Databricks به عنوان محاسبه پیوست شده Verify Databricks Cluster as Attached Compute

  • Databricks Pipeline - راه اندازی اولیه Databricks Pipeline - Initial Set-up

  • Databricks Pipeline - ساخت DatabricksStep Databricks Pipeline - Build DatabricksStep

  • Databricks Pipeline - Databricks and Python notebook Databricks Pipeline - Databricks and Python notebook

  • Databricks Pipeline - خط لوله را ارسال کنید و خروجی را تأیید کنید Databricks Pipeline - Submit the pipeline and verify the output

دوره سقوط پایتون Python Crash Course

  • یک نکته مهم An Important Note.

  • آناکوندا را نصب کنید Install Anaconda

  • سلام دنیا و محیط خود را بشناسید Hello World and Know your environment

  • انواع متغیر در پایتون Variable Types in Python

  • دستورات شرطی در پایتون Conditional Statements in Python

  • Python Loops توضیح داد. Python Loops explained.

  • در حالی که در پایتون حلقه می زند While Loops in Python

  • برای حلقه در پایتون For Loop in Python

  • لیست های پایتون Python Lists

  • لیست های پایتون - عملیات قسمت 1 Python Lists - Operations Part 1

  • لیست های پایتون - عملیات قسمت 2 Python Lists - Operations Part 2

  • لیست های چند بعدی در پایتون Multidimensional Lists in Python

  • برش یک لیست چند بعدی Slicing a multidimensional list

  • تاپل های پایتون Python Tuples

  • دیکشنری پایتون Python Dictionary

  • دست های دیکشنری پایتون در قسمت 1 Python Dictionary Hands on Part 1

  • دست های دیکشنری پایتون در قسمت 2 Python Dictionary Hands on Part 2

  • توابع پایتون Python Functions

  • توابع پایتون - دست در دست Python Functions - Hands on

  • متغیرهای جهانی در مقابل متغیرهای محلی در پایتون Global Vs Local Variables in Python

  • انواع آرگومان های تابع Types of Function Arguments

  • آرگومان های تابع - آرگومان های مورد نیاز Function Arguments - Required Arguments

  • آرگومان های تابع - آرگومان های پیش فرض Function Arguments - Default Arguments

  • آرگومان های تابع - آرگومان های کلیدواژه Function Arguments - Keyword Arguments

  • برنامه نویسی شی گرا Object Oriented Programming

  • یک کلاس تعریف کنید و یک شی بسازید Define a Class and Create an Object

  • با استفاده از __init__ ویژگی های کلاس را راه اندازی کنید Initialize the Class Attributes using __init__

  • بسته ها و ماژول ها در پایتون Packages and Modules in Python

اصول لاجوردی Azure Fundamentals

  • رایانش ابری چیست؟ What is Cloud Computing?

  • لاجوردی چیست؟ What is Azure?

  • اصطلاحات و مفاهیم اولیه Azure Azure Basic Terms and Concepts

  • Azure Storage and Data Resource Azure Storage and Data Resource

  • Azure Storage فعال است Azure Storage hands on

  • ماشین های محاسباتی/مجازی Azure Azure Compute/Virtual Machines

  • Dockers و Azure Container Registry Dockers and Azure Container Registry

با تشکر از شما و سخنرانی پاداش Thank You and Bonus Lecture

  • راه رو به جلو Way Forward

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

آموزش DP-100: یادگیری ماشینی A-Z با استفاده از یادگیری ماشینی Azure
جزییات دوره
26.5 hours
230
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
38,743
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jitesh Khurkhuriya Jitesh Khurkhuriya

دانشمند داده و مشاور تحول دیجیتال

Python, Data Science   Machine Learning A-Z Team Python, Data Science Machine Learning A-Z Team

کمک به موفقیت در علم داده و یادگیری ماشین.