آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud

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