تغذیه کارآمد داده ها و برچسب گذاری برای آموزش مدل

Efficient Data Feeding and Labeling for Model Training

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های داده‌های یادگیری ماشینی فقط به اندازه داده‌های آموزشی آن‌ها موثر هستند. در این دوره آموزشی، تغذیه و برچسب‌گذاری کارآمد داده برای آموزش مدل، این توانایی را به دست خواهید آورد که آماده سازی داده‌های آموزشی خود را نهایی کنید و مناسب‌ترین روش را برای وارد کردن آن به آموزش مدل داده خود انتخاب کنید. ابتدا، معنای تغذیه داده ها و تکنیک های رایج را بررسی خواهید کرد. سپس، برچسب‌گذاری داده‌ها را برای یادگیری تحت نظارت و به دنبال آن داده‌های بدون برچسب برای یادگیری نیمه‌نظارت‌شده را خواهید دید. در نهایت، نحوه استفاده از ابزارهای برچسب‌گذاری داده را خواهید آموخت. پس از اتمام این دوره، مهارت ها و دانش مربوط به برچسب گذاری داده ها و تغذیه مورد نیاز برای آموزش مدل های داده یادگیری ماشین را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

تغذیه داده ها Data Feeding

  • یادگیری دسته ای Batch Learning

  • نسخه ی نمایشی: یادگیری دسته ای Demo: Batch Learning

  • آموزش آنلاین Online Learning

  • نسخه ی نمایشی: آموزش آنلاین و خلاصه Demo: Online Learning and Summary

برچسب گذاری داده ها Data Labeling

  • نمای کلی و برچسب گذاری داده ها Overview and Data Labeling

  • یادگیری تحت نظارت و بدون نظارت Supervised and Unsupervised Learning

  • معماری‌های یادگیری ماشینی (ML) برای یادگیری تحت نظارت و بدون نظارت Machine Learning (ML) Architectures for Supervised and Unsupervised Learning

  • نسخه ی نمایشی: مجموعه داده های TensorFlow (TFDS) و برچسب های داده در یادگیری نظارت شده Demo: TensorFlow Data Sets (TFDS) and Data Labels in Supervised Learning

  • نسخه ی نمایشی: مدیریت داده های بدون برچسب در یادگیری بدون نظارت Demo: Managing Unlabeled Data in Unsupervised Learning

  • افزایش داده ها، حاشیه نویسی داده ها و کنترل کیفیت Data Augmentation, Data Annotation, and Quality Control

  • ابزارهای برچسب گذاری داده ها Data Labeling Tools

  • خلاصه Summary

نمایش نظرات

تغذیه کارآمد داده ها و برچسب گذاری برای آموزش مدل
جزییات دوره
31m
13
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Dan Hermes
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Hermes Dan Hermes

دن هرمس، نویسنده پرفروش فناوری بین‌المللی، الهام‌بخش فن‌شناسان برای ایجاد پروژه‌ها و کسب‌وکارهای موفق هوش مصنوعی برای توسعه استراتژی‌های برنده هوش مصنوعی و موبایل است. مدیر منطقه ای مایکروسافت (RD)، دان در مورد ده ها برنامه تجاری موفق در مراقبت های بهداشتی، خرده فروشی، دولت، آموزش، مالی، حمل و نقل، بیوتکنولوژی و غیره مشاوره داده است. پروژه‌های مبتنی بر هوش مصنوعی شامل مشارکت Microsoft/Future Farmers of America (FFOA)، شناسایی بصری و پیشنهادات مولد برای Avanade/Accenture، و مستندات Azure Cognitive API برای طرفداران فناوری مایکروسافت است. Dan برنامه درسی درسی را برای مایکروسافت و edX توسعه می دهد. تعاملات گفتاری شامل IBM Think و Microsoft Ignite و همچنین کنفرانس‌ها، دانشگاه‌ها و گروه‌های کاربری دیگر است.