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
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات