آموزش مدیریت پروژه های یادگیری ماشین با Google Cloud - آخرین آپدیت

ماژول 1: مقدمه Module 1: Introduction

• مقدمه Introduction

• اسلایدها Course Slides

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

• مقدمه Introduction

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

• فاز 1: امکان سنجی را ارزیابی کنید Phase 1: Assess feasibility

• ارزیابی امکان سنجی موارد استفاده ML Practice assessing the feasibility of ML use cases

• ماژول 2: برگه کار Module 2: Worksheet

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

• انواع مشکل ML مشترک Common ML problem types

• الگوریتم و داده های استاندارد Standard algorithm and data

• کیفیت داده ها Data quality

• بینش و تصمیمات پیش بینی کننده Predictive insights and decisions

• نمونه های بیشتر ML More ML examples

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

• ماژول 3: برگه کار Module 3: Worksheet

• نجات زنبورهای جهان Saving the world's bees

• دستیار Google برای 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

• ساخت مجموعه داده های دارای برچسب Building labeled datasets

• آموزش یک مدل ML Training an ML model

• بهترین روشهای کلی General best practices

• آشنایی با آزمایشگاههای دستی Introduction to hands-on labs

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

• آزمایشگاه 1: بررسی Lab 1: Review

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

• تعصب انسانی در ML Human bias in ML

• اصول هوش مصنوعی گوگل Google's AI Principles

• انواع متداول تعصب انسانی Common types of human bias

• ارزیابی انصاف مدل Evaluating model fairness

• دستورالعمل ها و آزمایشگاه های دستی Guidelines and Hands-on Lab

• آزمایشگاه: بازرسی از مجموعه داده برای تعصب با استفاده از اعتبار سنجی داده TensorFlow و نمای کلی جنبه ها Lab: Inspecting a Dataset for Bias using TensorFlow Data Validation and Facets Overview

• آزمایشگاه 2: بررسی 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

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

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

• کاربردهای خلاقانه از ML Creative uses of ML

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

• ماژول 6: برگه کار Module 6: Worksheet

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

• آزمایشگاه 3: بررسی Lab 3: Review

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

• توجه کلیدی 1: ارزش کسب و کار Key consideration 1: business value

• استراتژی داده (ستون های 1-3) Data strategy (pillars 1–3)

• استراتژی داده (ستون های 4-7) Data strategy (pillars 4–7)

• حاکمیت داده ها Data governance

• تیم های موفق ML را بسازید Build successful ML teams

• فرهنگ نوآوری و آزمایشگاه دستی 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: بررسی Lab 4: Review

ماژول 8: خلاصه Module 8: Summary

• خلاصه Summary