آموزش مهندسی، اعتبارسنجی و حاکمیت داده‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود Engineer, Validate, and Govern ML Data

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این دوره کوتاه به شما کمک می‌کند تا خط لوله‌های داده (Data Pipelines) آماده برای یادگیری ماشین را با اطمینان کامل بسازید و اعتبارسنجی کنید. شما با یادگیری نحوه طراحی جریان‌های کاری ETL که مجموعه‌داده‌های بزرگ را با استفاده از ابزارهایی مانند Airflow و Spark جذب، پاک‌سازی و بخش‌بندی می‌کنند، شروع خواهید کرد. در این دوره خواهید دید که تیم‌های واقعی چگونه لاگ‌های کلیک-استریم را مدیریت می‌کنند، مقادیر تهی (Null) را 처리 می‌کنند و داده‌های آموزشی بخش‌بندی شده را در مقیاس بالا آماده می‌سازند. سپس، کیفیت داده‌ها، حاکمیت (Governance) و تبار داده‌ها (Lineage) را ارزیابی خواهید کرد تا خط لوله‌های شما قابل اعتماد و بازتولیدپذیر باقی بمانند. شما با تکنیک‌های کاربردی مانند بررسی تغییرات طرح‌واره (Schema Drift)، مجموعه‌های انتظارات و سوابق تبار آماده برای حسابرسی کار خواهید کرد. از طریق ویدیوهای کوتاه، متون کاربردی، تمرین‌های عملی و یک ارزیابی نهایی نمره‌دار، شما یاد می‌گیرید که چگونه خط لوله‌های قابل اعتمادی را مهندسی کرده و آن‌ها را برای استفاده در محیط عملیاتی اعتبارسنجی کنید.

سرفصل ها و درس ها

مهندسی، اعتبارسنجی و حاکمیت داده‌های یادگیری ماشین Engineer, Validate, and Govern ML Data

خوش‌آمدگویی و آنچه خواهید آموخت Welcome and What You'll Learn
چرا ETL برای یادگیری ماشین اهمیت دارد Why ETL Matters for Machine Learning
جذب و پاک‌سازی: از لاگ‌های S3 تا داده‌های بخش‌بندی شده ML Ingestion + Cleaning: From S3 Logs to Partitioned ML Data
چرا کیفیت داده‌ها و حاکمیت داده برای ML حیاتی است Why Data Quality and Governance Matter for ML
تشخیص رانش داده‌ها (Drift) و آماده‌سازی برای حسابرسی Detecting Drift and Preparing for Audit
تبریکات و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey