آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud

Managing Machine Learning Projects with Google Cloud

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: حرفه ای های تجاری در نقش های غیر فنی یک فرصت منحصر به فرد برای هدایت یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدون استفاده از اصطلاحات فنی نحوه استفاده از آن را بفهمید ، این دوره ... حرفه ای های تجاری در نقش های غیر فنی یک فرصت منحصر به فرد برای هدایت یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدون استفاده از اصطلاحات فنی ، نحوه استفاده از آن را بفهمید ، این دوره برای شما مناسب است. بیاموزید که چگونه مشکلات تجاری را به موارد استفاده از یادگیری ماشین ترجمه کرده و از نظر امکان سنجی و تأثیرگذاری آنها را بررسی کنید. دریابید که چگونه می توانید موارد استفاده غیرمنتظره را کشف کنید ، مراحل یک پروژه ML و ملاحظات موجود در هر یک را تشخیص دهید و اعتماد به نفس پیدا کنید که یک مورد استفاده ML سفارشی را به تیم یا رهبری خود پیشنهاد دهید یا الزامات را به تیم فنی ترجمه کنید.

سرفصل ها و درس ها

ماژول 1: مقدمه Module 1: Introduction

  • مقدمه Introduction

  • اسلایدهای دوره Course Slides

ماژول 2: شناسایی ارزش تجاری برای استفاده از ML Module 2: Identifying business value for using ML

  • مقدمه Introduction

  • هوش مصنوعی در مقابل ML در مقابل یادگیری عمیق AI vs ML vs Deep Learning

  • مرحله 1: ارزیابی امکان سنجی Phase 1: Assess feasibility

  • ارزیابی امکان استفاده از موارد ML را تمرین کنید Practice assessing the feasibility of ML use cases

  • ماژول 2: کاربرگ Module 2: Worksheet

ماژول 3: تعریف ML به عنوان یک عمل Module 3: Defining ML as a practice

  • انواع معمول ML Common ML problem types

  • الگوریتم استاندارد و داده ها Standard algorithm and data

  • کیفیت داده Data quality

  • بینش ها و تصمیم های پیش بینانه Predictive insights and decisions

  • مثالهای بیشتر ML More ML examples

  • سری تمرین: مورد استفاده از ML را تجزیه و تحلیل کنید Practice series: Analyze the ML use case

  • ماژول 3: کاربرگ Module 3: Worksheet

  • نجات زنبورهای عسل جهان Saving the world's bees

  • دستیار Google برای قابلیت دسترسی Google Assistant for accessibility

  • بررسی ورزش و چرا ML اکنون Exercise review and Why ML now

ماژول 4: ساخت و ارزیابی مدلهای ML Module 4: Building and evaluating ML models

  • ویژگی ها و برچسب ها Features and labels

  • ایجاد مجموعه داده های دارای برچسب Building labeled datasets

  • آموزش مدل ML Training an ML model

  • بهترین روشهای عمومی General best practices

  • معرفی آزمایشگاه های عملی Introduction to hands-on labs

  • آزمایشگاه: شناسایی قطعات خودرو آسیب دیده با AutoML Vision Lab: Identifying damaged car parts with AutoML Vision

  • آزمایشگاه 1: مرور Lab 1: Review

ماژول 5: استفاده از ML با مسئولیت پذیری و اخلاقی Module 5: Using ML responsibly and ethically

  • سوگیری انسان در ML Human bias in ML

  • اصول هوش مصنوعی گوگل Google's AI Principles

  • انواع متداول تعصبات انسانی Common types of human bias

  • ارزیابی انصاف مدل Evaluating model fairness

  • رهنمودها و آزمایشگاه عملی Guidelines and Hands-on Lab

  • آزمایشگاه: بازرسی یک مجموعه داده برای Bias با استفاده از اعتبار سنجی داده TensorFlow و بررسی اجمالی Facets Lab: Inspecting a Dataset for Bias using TensorFlow Data Validation and Facets Overview

  • آزمایشگاه 2: مرور Lab 2: Review

ماژول 6: کشف موارد استفاده از ML در مشاغل روزمره Module 6: Discovering ML use cases in day-to-day business

  • جایگزینی سیستم های مبتنی بر قانون با ML Replacing rule-based systems with ML

  • پردازش ها را خودکار کرده و داده های بدون ساختار را درک کنید Automate processes and understand unstructured data

  • برنامه ها را با ML شخصی سازی کنید Personalize applications with ML

  • کاربردهای خلاقانه ML Creative uses of ML

  • تجزیه و تحلیل احساسات و آزمایشگاه عملی Sentiment analysis and Hands-on Lab

  • ماژول 6: کاربرگ Module 6: Worksheet

  • آزمایشگاه: تجزیه و تحلیل احساسات با API زبان طبیعی Lab: Sentiment Analysis with Natural Language API

  • آزمایشگاه 3: مرور Lab 3: Review

ماژول 7: مدیریت موفقیت آمیز پروژه های ML Module 7: Managing ML projects successfully

  • ملاحظه اصلی 1: ارزش تجاری Key consideration 1: business value

  • استراتژی داده ها (ارکان 1–3) Data strategy (pillars 1–3)

  • استراتژی داده ها (ارکان 4-7) Data strategy (pillars 4–7)

  • حاکمیت داده ها Data governance

  • تیم های موفق ML بسازید Build successful ML teams

  • فرهنگ نوآوری و آزمایشگاه عملی ایجاد کنید Create a culture of innovation and Hands-on Lab

  • آزمایشگاه: یک مدل ML را با BigQuery ML ارزیابی کنید Lab: Evaluate an ML model with BigQuery ML

  • آزمایشگاه 4: مرور Lab 4: Review

ماژول 8: خلاصه Module 8: Summary

  • خلاصه Summary

نمایش نظرات

آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud
جزییات دوره
4h 22m
48
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.