لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش در 30 روز یک مهندس یادگیری ماشین AWS SageMaker شوید
Become an AWS SageMaker Machine Learning Engineer in 30 Days
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
[2023] ساخت بیش از 30 پروژه ML در 30 روز در AWS، Master SageMaker JumpStart، Canvas، AutoPilot، DataWrangler، Lambda & S3 Build، آموزش، تست و استقرار مدلهای یادگیری ماشین در AWS Learn SageMaker Built-in Algorithms. XG-Boost، تجزیه و تحلیل مؤلفه اصلی (PCA) و K-Nearest Neighbors تعریف و انجام کارهای برچسبگذاری تصویر و متن با استفاده از AWS SageMaker GroundTruth. آمادهسازی، پاکسازی و تجسم دادهها با استفاده از AWS SageMaker Data Wrangler بدون نوشتن هیچ کدی با استفاده از مدل Hyperparaarche، GrieSoptimize. تکنیکهای بهینهسازی جستجوی تصادفی و بیزی، سرویسهای کلیدی AWS مانند سرویس ذخیرهسازی ساده (S3)، Elastic Compute Cloud (EC2)، مدیریت هویت و دسترسی (IAM) و CloudWatch درک اتوماسیون گردش کار یادگیری ماشینی با استفاده از AWS Lambda، توابع Step و خطوط لوله SageMaker. یاد بگیرید که چگونه یک تابع لامبدا را در کنسول مدیریت AWS تعریف کنید، آناتومی عملکردهای لامبدا را درک کنید، و چگونه یک رویداد آزمایشی را در Lambda Train a Machine Learning Regression and Classifier Models با استفاده از Canvas بدون کد AWS بیاموزید نحوه استفاده از Amazon SageMaker Autopilot و SageMaker Canvas برای آموزش چندین مدل بدون نوشتن کد. انجام تجزیه و تحلیل دادههای اکتشافی و تجسم با استفاده از کتابخانههای پاندا، Searborn و Matplotlib. درک KPIهای مدلهای رگرسیون مانند RMSE، MSE، MAE، R2 و Adjusted R2. یک کار آموزش یادگیری ماشین با استفاده از AWS SageMaker JumpStart استقرار یک نقطه پایانی با استفاده از Amazon SageMaker، انجام استنتاج و تولید پیشبینی با استفاده از Boto3 SDK یک تابع Lambda را تعریف کنید و با استفاده از Eventbridge عملکرد لامبدا را آزمایش کنید (رویدادهای ساعت ابری) تفاوت بین همزمان و ناهمزمان Funationnform Lamb نمونهسازی مدلهای AI/ML با استفاده از کتابخانه AutoGluon نحوه نظارت بر داشبورد صورتحساب، تنظیم آلارم، قیمتگذاری نمونههای S3/EC2 و افزایش محدودیتهای خدمات درخواست درک تفاوت بین هوش مصنوعی (AI)، یادگیری ماشین (ML)، علم داده (DS) و Deep یادگیری (DL) اصول آمازون SageMaker، SageMaker Components، آموزش انتخاب را بیاموزید یونها شامل الگوریتمهای داخلی، AWS Marketplace و الگوریتمهای سفارشیشده ML استفاده از الگوریتم تشخیص شیء Yolo V3 موجود در بازار AWS درک قالب و استفاده از موارد Json Lines و Manifest Files یادگیری گردش کار برچسبگذاری خودکار و درک تفاوت بین SageMaker GroundTruth و GroundTruth Plus یاد بگیرید که چگونه یک کار برچسبگذاری را با جعبههای محدود (تشخیص شی)، تقسیمبندی معنایی سطح پیکسل، و دادههای متنی تعریف کنید. فروشندگان تفاوت بین استراتژیهای یادگیری ماشینی تحت نظارت، بدون نظارت و تقویتی را بیاموزید با استفاده از کتابخانههای Seaborn و Matplotlib تجسم داده را انجام دهید، نمودارها شامل نمودار خطی، نمودار دایرهای، نمودارهای فرعی، نمودارهای زوجی، نمودارهای شمارش و نقشههای حرارتی همبستگی هستند. یک گردش کار متخلف داده را در اسکریپت پایتون ایجاد کنید. فرمول سفارشی و اعمال آن به یک ستون داده شده در داده، و ge جداول خلاصه/گزارش سوگیری را بیاموزید نحوه آموزش الگوریتم XG-boost در SageMaker با استفاده از AWS JumpStart، ارزیابی عملکرد مدل آموزش دیده، رسم باقیمانده، و استقرار یک نقطه پایانی. طبقهبندیکنندههای ML مانند رگرسیون لجستیک، ماشین بردار پشتیبان، K-نزدیکترین همسایگان، درختهای تصمیمگیری، و طبقهبندیکنندههای جنگل تصادفی پیش نیازها: دانش برنامهنویسی پایتون پایه دانش پایه در AWS دانش پایه در یادگیری ماشین
آیا می خواهید با استفاده از SageMaker ظرف 30 روز مهندس یادگیری ماشین AWS شوید؟
آیا می خواهید برنامه های یادگیری ماشینی (ML) فوق العاده قدرتمند در سطح تولید را در AWS بسازید اما نمی دانید از کجا شروع کنید؟
آیا شما یک مبتدی مطلق هستید و می خواهید به هوش مصنوعی، ML و رایانش ابری وارد شوید و به دنبال دوره ای هستید که شامل همه چیزهایی باشد که نیاز دارید؟
آیا شما یک کارآفرین مشتاق هستید که میخواهید با ML درآمد کسب و کار را به حداکثر برسانید و هزینهها را کاهش دهید، اما نمیدانید چگونه سریع و کارآمد به آنجا برسید؟
اگر پاسخ هر یک از این سوالات مثبت است، این دوره برای شما مناسب است!
Machine Learning آینده یکی از برترین زمینه های فناوری است که در حال حاضر در آن حضور خواهد داشت! ML و AI زندگی ما را به همان روشی که الکتریسیته 100 سال پیش انجام داد تغییر خواهد داد. ML به طور گسترده ای در امور مالی، بانکداری، مراقبت های بهداشتی، حمل و نقل و فناوری پذیرفته شده است. این رشته با فرصت ها و آینده شغلی در حال انفجار است.
AWS یکی از پرکاربردترین پلتفرمهای رایانش ابری در جهان است و چندین شرکت برای اهداف محاسبات ابری خود به AWS وابسته هستند. AWS SageMaker یک سرویس کاملاً مدیریت شده است که توسط AWS ارائه میشود که به دانشمندان داده و متخصصان هوش مصنوعی اجازه میدهد تا مدلهای AI/ML را به سرعت و کارآمد آموزش، آزمایش و اجرا کنند.
این دوره از بسیاری جهات منحصر به فرد و استثنایی است، شامل چندین فرصت تمرین، آزمون ها و پروژه های نهایی است. در این دوره، دانش آموزان یاد می گیرند که چگونه مدل های ML در سطح تولید را با استفاده از AWS ایجاد کنند. این دوره به 8 بخش اصلی به شرح زیر تقسیم شده است:
بخش 1 (روزهای 1 تا 3): موارد زیر را یاد خواهیم گرفت: (1) با "بسته آغازین" AWS و ملزومات یادگیری ماشین شروع کنید که شامل خدمات کلیدی AWS مانند سرویس ذخیره سازی ساده (S3)، ابر محاسباتی الاستیک است. (EC2)، مدیریت هویت و دسترسی (IAM) و CloudWatch، (2) مزایای محاسبات ابری، تفاوت بین مناطق و مناطق در دسترس بودن و آنچه در بسته لایه رایگان AWS گنجانده شده است، (3) نحوه راه اندازی یک کاملاً جدید حساب در AWS، راه اندازی یک تأیید اعتبار چند عاملی (MFA) و پیمایش از طریق کنسول مدیریت AWS، (4) نحوه نظارت بر داشبورد صورتحساب، تنظیم آلارم، قیمت گذاری نمونه های S3/EC2 و افزایش محدودیت خدمات، (5) اصول اولیه یادگیری ماشین و درک تفاوت بین هوش مصنوعی (AI)، یادگیری ماشین (ML)، علم داده (DS) و یادگیری عمیق (DL)، (6) تفاوت بین یادگیری تحت نظارت، بدون نظارت و یادگیری تقویتی را بیاموزید، (7) فهرست اجزای کلیدی برای ساخت هر مدل یادگیری ماشینی از جمله داده، مدل و محاسبه، (8) اصول آمازون SageMaker، SageMaker Components، گزینه های آموزشی ارائه شده توسط SageMaker از جمله الگوریتم های داخلی، AWS Marketplace و الگوریتم های سفارشی ML را بیاموزید، (9) AWS SageMaker Studio را پوشش دهید و تفاوت را بیاموزید. بین AWS SageMaker JumpStart، SageMaker Autopilot و SageMaker Data Wrangler، (10) یاد بگیرید که چگونه اولین کد خود را در ابر با استفاده از Jupyter Notebooks بنویسید. سپس آموزشی خواهیم داشت که الگوریتمهای تشخیص شی AWS Marketplace مانند Yolo V3 را پوشش میدهد، (11) یاد بگیرید چگونه اولین مدل یادگیری ماشینی خود را با استفاده از Canvas جدید AWS SageMaker بدون نوشتن هیچ کدی آموزش دهید!
بخش 2 (روز 4 تا 5): موارد زیر را یاد خواهیم گرفت: (1) برچسب گذاری تصاویر و متن با استفاده از Amazon SageMaker GroundTruth، (2) تفاوت بین نیروی کار برچسب گذاری داده ها مانند ترک های مکانیکی عمومی، برچسب زدن های خصوصی و AWS را بیاموزیم. فروشندههای شخص ثالث سرپرست، (3) داستانهای موفقیت چندین شرکت را پوشش میدهند که از دادهها برای به حداکثر رساندن درآمد، کاهش هزینهها و بهینهسازی فرآیندها استفاده کردهاند، (4) پوشش منابع داده، انواع، و تفاوت بین دادههای خوب و بد، (5) درباره فرمتهای Json Lines و Manifest Files بیاموزید، (6) یک آموزش مفصل برای تعریف کار برچسبگذاری طبقهبندی تصویر در SageMaker، (7) گردش کار برچسبگذاری خودکار و یادگیری تفاوت بین SageMaker GroundTruth و GroundTruth Plus، (8) یاد بگیرید که چگونه یک کار برچسبگذاری را با کادرهای محدود (تشخیص شی و تقسیمبندی معنایی در سطح پیکسل)، (9) برچسبگذاری دادههای متن با استفاده از Amazon SageMaker GroundTruth تعریف کنید.
بخش 3 (روزهای 6 تا 10): ما یاد خواهیم گرفت: (1) نحوه انجام تجزیه و تحلیل داده های اکتشافی (EDA)، (2) Master Pandas، یک کتابخانه منبع باز فوق العاده قدرتمند برای انجام تجزیه و تحلیل داده ها در پایتون، ( 3) تجزیه و تحلیل اطلاعات کارکنان شرکت با استفاده از Pandas در Jupyter Notebooks در AWS SageMaker Studio، (4) تعریف Pandas Dataframe، خواندن دادههای CSV با استفاده از Panda، انجام تجزیه و تحلیل آماری پایه بر روی دادهها، تنظیم/تنظیم مجدد شاخص Pandas DataFrame، انتخاب ستونهای خاص از DataFrame، اضافه کردن/حذف ستونها از DataFrame، انجام انتخاب عناصر مبتنی بر برچسب/عدد صحیح، انجام عملیات پخش، و انجام مرتبسازی/ترتیب Pandas DataFrame، (5) انجام تجزیه و تحلیل دادههای آماری بر روی مجموعه دادههای دنیای واقعی، پرداختن به دادههای از دست رفته با استفاده از پانداها، نوع دادههای پاندا را تغییر دهید، یک تابع را تعریف کنید، و آن را در یک ستون Pandas DataFrame اعمال کنید، عملیات Pandas را انجام دهید، و فیلتر کردن، محاسبه و نمایش ماتریس همبستگی، استفاده از کتابخانه دریا برای نشان دادن نقشه حرارتی، (6) تجزیه و تحلیل قیمتهای ارزهای دیجیتال و da بازده بیت کوین (BTC)، اتریوم (ETH)، لایت کوین (LTC)، کاردانو (ADA) و ریپل (XRP) با استفاده از کتابخانه های Matplotlib و Seaborn در AWS SageMaker Studio، (7) با استفاده از کتابخانه های Seaborn و Matplotlib، نمودارها، تجسم داده ها را انجام می دهند. شامل نمودار خطی، نمودار دایره ای، نمودارهای فرعی متعدد، نمودار زوجی، نمودار شمارش، نقشه های حرارتی همبستگی، نمودار توزیع (نقطه دیست)، هیستوگرام ها، و نمودارهای پراکنده، (8) استفاده از Amazon SageMaker Data wrangler در AWS برای آماده سازی، تمیز کردن و تجسم داده ها، (9) ) استراتژی ها و ابزارهای مهندسی ویژگی را درک کنید، اصول Data Wrangler را در AWS درک کنید، یک کدگذاری و نرمال سازی داغ انجام دهید، با استفاده از Data Wrangler تجسم داده ها را انجام دهید، یک گردش کار wrangler داده را به اسکریپت Python صادر کنید، یک فرمول سفارشی ایجاد کنید و آن را در یک مورد خاص اعمال کنید. ستون در داده ها، جداول جدول خلاصه در Data Wrangler ایجاد کنید و گزارش های سوگیری ایجاد کنید.
بخش 4 (روزهای 11 تا 18): ما یاد خواهیم گرفت: (1) اصول رگرسیون یادگیری ماشین شامل رگرسیون خطی ساده/چندین و حداقل مجموع مربع ها، (2) اولین مدل رگرسیون خطی ساده خود را در Scikit-Learn بسازیم، (3) فهرست همه الگوریتمهای داخلی موجود در SageMaker، (4) ساخت، آموزش، آزمایش و استقرار یک مدل رگرسیون یادگیری ماشین با استفاده از الگوریتم SageMaker Linear Learner، (5) فهرست کردن الگوریتمهای رگرسیون یادگیری ماشین KPI مانند میانگین خطای مطلق (MAE) ، میانگین مربعات خطا (MSE)، ریشه میانگین مربعات خطا (RMSE)، میانگین درصد خطا (MPE)، ضریب تعیین (R2) و R2 تنظیم شده، (6) یک کار آموزشی را با استفاده از کنسول مدیریت AWS راه اندازی کنید و یک نقطه پایانی بدون نوشتن هیچ کدی، (7) پوشش تئوری و شهود پشت الگوریتم XG-Boost و نحوه استفاده از آن برای حل مشکلات نوع رگرسیون در Scikit-Learn و با استفاده از الگوریتمهای SageMaker Built-in، (8) آموزش نحوه آموزش XG الگوریتم تقویت در SageMaker با استفاده از AWS JumpStart، ارزیابی reg آموزش دیده واکنش عملکرد را مدل می کند، باقیمانده ها را رسم می کند و یک نقطه پایانی را مستقر می کند و استنتاج را انجام می دهد.
بخش 5 (روزهای 19 تا 20): ما یاد خواهیم گرفت: (1) استراتژی های بهینه سازی فراپارامترها مانند جستجوی شبکه ای، جستجوی تصادفی و بهینه سازی بیزی، (2) درک مبادله واریانس بایاس و منظم سازی L1 و L2، ( 3) بهینه سازی هایپرپارامترها را با استفاده از کتابخانه Scikit-Learn و با استفاده از SageMaker SDK انجام دهید.
بخش 6 (روزهای 21 تا 24): ما یاد خواهیم گرفت: (1) چگونه چندین الگوریتم طبقه بندی مانند رگرسیون لجستیک، ماشین بردار پشتیبان، K-نزدیکترین همسایه ها، و طبقه بندی کننده تصادفی جنگل را آموزش دهیم، (2) تفاوت را فهرست کنید. بین مدلهای طبقهبندیکننده مختلف، KPIهایی مانند دقت، دقت، یادآوری، امتیاز F1، منحنی مشخصه عملیاتی گیرنده (ROC) و ناحیه زیر منحنی (AUC)، (3) الگوریتمهای تقویتکننده XG و یادگیرنده خطی را در SageMaker آموزش میدهند تا طبقهبندی را حل کنند. مشکلات نوع، (4) تئوری و شهود پشت K Nearest Neighbors (KNN) را در SageMaker بیاموزید و یاد بگیرید که چگونه یک مدل طبقهبندی کننده KNN را در SageMaker بسازید، آموزش دهید و آزمایش کنید.
بخش 7 (روزهای 25 تا 28): ما یاد خواهیم گرفت: (1) چگونه از کتابخانه AutoGluon برای انجام نمونهسازی مدلهای AI/ML با استفاده از چند خط کد استفاده کنیم، (2) از AutoGluon برای آموزش مدلهای رگرسیون و طبقهبندی چندگانه استفاده کنیم. و بهترین را به کار بگیرید، (3) از Amazon SageMaker Autopilot و SageMaker Canvas برای آموزش چندین مدل بدون نوشتن کد استفاده کنید.
بخش 8 (روزهای 29 تا 30): ما یاد خواهیم گرفت: (1) نحوه تعریف و فراخوانی توابع لامبدا در AWS، (2) درک اتوماسیون گردش کار یادگیری ماشینی با استفاده از AWS Lambda، توابع Step و SageMaker Pipelines، (3) یاد بگیرید که چگونه یک تابع لامبدا را در کنسول مدیریت AWS تعریف کنید، (4) آناتومی توابع Lambda را درک کنید، (5) یاد بگیرید که چگونه یک رویداد آزمایشی را در Lambda پیکربندی کنید، و فراخوانی های Lambda را در CloudWatch نظارت کنید، (6) یک تابع Lambda را با استفاده از تعریف کنید. Boto3 SDK، (7) عملکرد لامبدا را با استفاده از Eventbridge (رویدادهای ساعت ابری) آزمایش کنید، (8) تفاوت بین فراخوانیهای همزمان و ناهمزمان را درک کنید، و یک تابع Lambda را با استفاده از Boto3 SDK فراخوانی کنید.
سرفصل ها و درس ها
معرفی
Introduction
به دوره خوش آمدید!
Welcome To the Course!
********** قسمت 1: AWS & ML STARTER PACK!***********
********** PART 1: AWS & ML STARTER PACK!**********
به قسمت 1 خوش آمدید: AWS و بسته شروع یادگیری ماشین!
Welcome to Part 1: AWS and Machine Learning Starter Pack!
روز 1: بسته آغازین AWS Essentials - قسمت 1 (ثبتنام، ردیف رایگان، صورتحساب، و IAM)
Day 1: AWS Essentials Starter Pack - Part 1 (SignUp, Free Tier, Billing, & IAM)
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
AWS و Cloud Computing چیست؟ چه کسی از آنها استفاده می کند؟ مزایای آنها چیست؟
What is AWS & Cloud Computing? Who Uses them? What are their benefits?
اصول AWS
AWS Fundamentals
ثبت نام AWS و تور کنسول مدیریت AWS
AWS Signup and AWS Management Console Tour
مناطق در مقابل مناطق در دسترس
Regions Vs. Availability Zones
چه چیزی در ردیف رایگان AWS گنجانده شده است؟
What's Included in the AWS Free Tier?
مناطق، مناطق در دسترس و ردیف رایگان AWS
Regions, Availability Zones and AWS Free Tier
داشبورد صورتحساب و تنظیم زنگ هشدار
Billing Dashboard and Alarm Setup
درخواست افزایش محدودیت خدمات
Request Service Limit Increase
مدیریت هویت و دسترسی (IAM) و احراز هویت چند عاملی (MFA)
Identity and Access Management (IAM) & Multifactor Authentication (MFA)
داشبورد صورتحساب، IAM و MFA
Billing Dashboard, IAM and MFA
پیام پایان روز
Day End Message
روز 2: بسته شروع AWS Essentials - قسمت 2 (AI، ML، DL، DS، S3، و EC2)
Day 2: AWS Essentials Starter Pack - Part 2 (AI, ML, DL, DS, S3, & EC2)
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
هوش مصنوعی (AI) در مقابل یادگیری ماشین (ML) در مقابل. یادگیری عمیق (DL)
Artificial Intelligence (AI) Vs. Machine Learning (ML) Vs. Deep Learning (DL)
اصول AI/ML
AI/ML Fundamentals
یادگیری ماشینی: تصویر بزرگ
Machine Learning: The Big Picture
عناصر کلیدی برای ساخت مدل های یادگیری ماشینی
Key Ingredients to Build Machine Learning Models
اجزای کلیدی AI/ML در AWS
Key AI/ML Components in AWS
اجزای AI/ML و ML Big Picture
AI/ML Components and ML Big Picture
سرویس ذخیره سازی ساده (S3) Deep Dive & Demo
Simple Storage Service (S3) Deep Dive & Demo
Elastic Compute Cloud (EC2) Deep Dive & Demo
Elastic Compute Cloud (EC2) Deep Dive & Demo
مبانی S3 و EC2
S3 and EC2 Fundamentals
پیام پایان روز
Day End Message
روز 3: بسته شروع AWS Essentials - قسمت 3 (Amazon SageMaker)
Day 3: AWS Essentials Starter Pack - Part 3 (Amazon SageMaker)
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
معرفی SageMaker
Intro to SageMaker
نسخه ی نمایشی SageMaker 1 - بررسی و ایجاد نمونه نوت بوک
SageMaker Demo 1 - Walkthrough & Create Notebook instance
SageMaker Demo 2 - اولین کد خود را بنویسید
SageMaker Demo 2 - Write your first code
SageMaker Demo 6 - آپلود داده ها در S3
SageMaker Demo 6 - Upload data to S3
SageMaker Demo 7 - Train Machine Learning Model
SageMaker Demo 7 - Train Machine Learning Model
سوال نهایی پروژه Capstone
Final Capstone Project Question
راه حل نهایی پروژه Capstone
Final Capstone Project Solution
خاموش کردن بوم
Shutdown Canvas
پیام پایان روز
Day End Message
********** قسمت 2: برچسب گذاری داده ها در AWS***********
********** PART 2: DATA LABELING IN AWS**********
به بخش 2 در برچسب گذاری داده ها در AWS خوش آمدید
Welcome to Part 2 on Data Labeling in AWS
روز 4: برچسب گذاری داده ها با AWS SageMaker GroundTruth
Day 4: Labeling Data With AWS SageMaker GroundTruth
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
بررسی اجمالی پروژه و AWS Groundtruth
Project Overview and AWS Groundtruth
طلای جدید قرن بیست و یکم!
21st Century New Gold!
منابع و انواع داده ها
Data Sources and Types
چرا به مجموعه داده های برچسب دار نیاز داریم؟
Why Do We Need Labeled Datasets?
چالش ها و کاربردهای برچسب گذاری داده ها
Data Labeling Challenges and Applications
Json Lines و Manifest Files 101
Json Lines and Manifest Files 101
AWS SageMaker GroundTruth Demo Part 1
AWS SageMaker GroundTruth Demo Part 1
AWS SageMaker GroundTruth Demo Part 2
AWS SageMaker GroundTruth Demo Part 2
پروژه نهایی Capstone - سوال
Final Capstone Project - Question
پروژه نهایی Capstone - راه حل
Final Capstone Project - Solution
موضوع اضافی: GroundTruth Plus و Auto-Labeling
Additional Topic: GroundTruth Plus and Auto-Labeling
پیام پایان روز
Day End Message
روز پنجم: برچسبگذاری متن، جعبههای محدود، و تقسیمبندی معنایی در GroundTruth
Day 5: Labeling Text, Bounding Boxes, and Semantic Segmentation in GroundTruth
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
معرفی و بررسی اجمالی پروژه
Introduction and Project Overview
برچسبگذاری دادههای متنی در SageMaker GroundTruth - بخش آزمایشی شماره 1
Labeling Text Data in SageMaker GroundTruth - Demo Part #1
برچسبگذاری دادههای متنی در SageMaker GroundTruth - بخش آزمایشی شماره 2
Labeling Text Data in SageMaker GroundTruth - Demo Part #2
برچسبگذاری دادههای متنی در SageMaker GroundTruth - بخش آزمایشی شماره 3
Labeling Text Data in SageMaker GroundTruth - Demo Part #3
تقسیم بندی معنایی در نسخه آزمایشی Groundtruth شماره 1
Semantic Segmentation in Groundtruth Demo #1
تقسیم بندی معنایی در نسخه آزمایشی Groundtruth شماره 2
Semantic Segmentation in Groundtruth Demo #2
پروژه نهایی Capstone - سوال
Final Capstone Project - Question
پروژه نهایی Capstone - راه حل
Final Capstone Project - Solution
پیام پایان روز
Day End Message
********** قسمت 3: تجزیه و تحلیل داده های اکتشافی***********
********** PART 3: EXPLORATORY DATA ANALYSIS**********
به بخش 3 در تجزیه و تحلیل داده های اکتشافی (EDA) خوش آمدید:
Welcome to Part 3 on Exploratory Data Analysis (EDA):
روز 6: تجزیه و تحلیل داده های اکتشافی (EDA) قسمت شماره 1 - دوره تصادف در پانداها
Day 6: Exploratory Data Analysis (EDA) Part #1 - Crash Course on Pandas
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید
Please Download Today's Materials
تجزیه و تحلیل داده های اکتشافی (EDA) 101
Exploratory Data Analysis (EDA) 101
نمای کلی پروژه - EDA با پانداها
Project Overview - EDA with Pandas
Jupyter Notebooks و SageMaker Studio Setup
Jupyter Notebooks and SageMaker Studio Setup
کدگذاری وظیفه 2 - بارگذاری CSV و تجزیه و تحلیل آماری
Coding Task 2 - Load CSV and Statistical Analysis
فرصت تمرین 2
Practice Opportunity 2
کدنویسی وظیفه 3 - تنظیم/تنظیم مجدد فهرست در پانداها
Coding Task 3 - Set/Reset Index in Pandas
فرصت تمرین 3
Practice Opportunity 3
سوال نهایی پروژه Capstone
Final Capstone Project Question
راه حل نهایی پروژه Capstone
Final Capstone Project Solution
پیام پایان روز
Day End Message
روز هفتم: تجزیه و تحلیل داده های اکتشافی (EDA) - قسمت شماره 2 - دوره تصادف در مورد پانداها
Day 7: Exploratory Data Analysis (EDA) - Part #2 - Crash Course on Pandas
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
بررسی اجمالی پروژه و نتایج کلیدی یادگیری
Project Overview and Key Learning Outcomes
وظیفه کدگذاری 1 - وارد کردن مجموعه داده ها
Coding Task 1 - Import Datasets
فرصت تمرین 1
Practice Opportunity 1
وظیفه کدگذاری 2 - به عناصر در Pandas DataFrame دسترسی پیدا کنید
Coding Task 2 - Access Elements in Pandas DataFrame
فرصت تمرین 2
Practice Opportunity 2
کدنویسی وظیفه 3 - حذف و اضافه کردن ستون
Coding Task 3 - Delete and Add Columns
فرصت تمرین 3
Practice Opportunity 3
کدنویسی کار 4 - نمایه سازی مبتنی بر برچسب با .Loc()
Coding Task 4 - Label-based Indexing with .Loc()
فرصت تمرین 4
Practice Opportunity 4
وظیفه کدنویسی 5 - نمایه سازی مبتنی بر عدد صحیح با .iLoc()
Coding Task 5 - Integer-based Indexing with .iLoc()
روز 8: تجزیه و تحلیل داده های اکتشافی (EDA) - قسمت شماره 3 - دوره تصادف در پانداها
Day 8: Exploratory Data Analysis (EDA) - Part #3 - Crash Course on Pandas
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
بررسی اجمالی پروژه و نتایج کلیدی یادگیری
Project Overview and Key Learning Outcomes
بررسی اجمالی پروژه و نتایج کلیدی یادگیری
Project Overview and Key Learning Outcomes
وظیفه کدگذاری 1 - وارد کردن و کاوش مجموعه داده
Coding Task 1 - Import and Explore Dataset
فرصت تمرین 1
Practice Opportunity 1
کدگذاری وظیفه 2 - مقابله با مجموعه داده های از دست رفته
Coding Task 2 - Deal with Missing Dataset
فرصت تمرین 2
Practice Opportunity 2
وظیفه کدگذاری 3 - نوع داده های Pandas DataFrame را تغییر دهید
Coding Task 3 - Change Pandas DataFrame datatypes
فرصت تمرین 3
Practice Opportunity 3
وظیفه کدگذاری 4 - پانداها و توابع
Coding Task 4 - Pandas and Functions
فرصت تمرین 4
Practice Opportunity 4
وظیفه کدگذاری 5 - عملیات پانداها و فیلتر کردن
Coding Task 5 - Pandas Operations and Filtering
فرصت تمرین 5
Practice Opportunity 5
کدنویسی وظیفه 6 - EDA را در هر دو کلاس انجام دهید
Coding Task 6 - Perform EDA on Both Classes
فرصت تمرین 6
Practice Opportunity 6
کدنویسی وظیفه 7 - همبستگی ها و هیستوگرام ها
Coding Task 7 - Correlations and Histograms
کدنویسی وظیفه شماره 2 - EDA و تجسم را انجام دهید
Coding Task #2 - Perform EDA and Visualization
وظیفه کدنویسی شماره 3 - آموزش یک مدل یادگیرنده خطی در SageMaker (رگرسیون چندگانه)
Coding Task #3 - Train a Linear Learner Model in SageMaker (Multiple Regression)
تمرین فرصت شماره 1
Practice Opportunity #1
تمرین فرصت شماره 1
Practice Opportunity #1
وظیفه کدنویسی شماره 4 - یک نقطه پایانی را مستقر کنید
Coding Task #4 - Deploy an Endpoint
پروژه نهایی Capstone - سوالات
Final Capstone Project - Questions
پروژه نهایی Capstone - سوالات
Final Capstone Project - Questions
پروژه نهایی Capstone - راه حل ها
Final Capstone Project - Solutions
پیام پایان روز
Day End Message
روز 15: راهاندازی کار آموزش ML از کنسول مدیریت AWS (رگرسیون)
Day 15: Launch ML Training Job from AWS Management Console (Regression)
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید
Please Download Today's Materials
نمای کلی پروژه و کارت پروژه
Project Overview and Project Card
ظهور یادگیری ماشینی در آموزش عالی
The Rise of Machine Learning in Higher Education
ظهور یادگیری ماشینی در آموزش عالی
The Rise of Machine Learning in Higher Education
رگرسیون خطی ساده و چندگانه [Recap]
Simple and Multiple Linear Regression [Recap]
فرصت تمرین 1
Practice Opportunity 1
نسخه ی نمایشی: یک کار آموزشی را در کنسول AWS SageMaker راه اندازی کنید
Demo: Launch a Training Job in AWS SageMaker Console
نسخه ی نمایشی: تجزیه و تحلیل خروجی ها و معیارهای شغلی آموزشی
Demo: Analyze Training Job Outputs and Metrics
نسخه ی نمایشی: یک نقطه پایانی را مستقر کنید
Demo: Deploy an Endpoint
سوال نهایی پروژه Capstone آخر روز
Final End-of-Day Capstone Project Question
راه حل نهایی پروژه Capstone پایان روز
Final End-of-Day Capstone Project Solution
پیام پایان روز
Day End Message
روز شانزدهم: XG-Boost Regression در Scikit-Learn
Day 16: XG-Boost Regression in Scikit-Learn
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
نمای کلی پروژه و کارت
Project Overview and Card
مقدمه ای بر الگوریتم XG-Boost
Introduction to XG-Boost Algorithm
تقویت چیست؟
What is Boosting?
آموزش گروهی
Ensemble Learning
الگوریتم XG-Boost Deep Dive (به همراه مثال)
XG-Boost Algorithm Deep Dive (with examples)
وظیفه کدگذاری 1 - بررسی اجمالی پروژه و وارد کردن داده ها
Coding Task 1 - Project Overview and Import data
فرصت تمرین 1
Practice Opportunity 1
کدنویسی Task 2 - EDA و Visualization را انجام دهید
Coding Task 2 - Perform EDA and Visualization
فرصت تمرین 2
Practice Opportunity 2
کدگذاری وظیفه 3 - داده ها را برای آموزش مدل آماده کنید
Coding Task 3 - Prepare the Data for Model Training
فرصت تمرین 3
Practice Opportunity 3
وظیفه کدگذاری 4 - الگوریتم XG-Boost را آموزش و آزمایش کنید
Coding Task 4 - Train and Test XG-Boost Algorithm
فرصت تمرین 4
Practice Opportunity 4
سوال نهایی پروژه Capstone
Final Capstone Project Question
راه حل نهایی پروژه Capstone
Final Capstone Project Solution
پیام پایان روز
Day End Message
روز هفدهم: الگوریتم SageMaker XG-Boost داخلی
Day 17: Built-in SageMaker XG-Boost Algorithm
پیام خوش آمد گویی روز
Day Welcome Message
لطفا مطالب امروز را دانلود کنید:
Please Download Today's Materials:
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.
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.
نمایش نظرات