آموزش ارزیابی و ایجاد بصری جریان‌های کاری یادگیری ماشین (ML Workflows) - آخرین آپدیت

دانلود Evaluate and Create ML Workflows Visually

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این دوره به شما می‌آموزد که چگونه آزمایش‌های یادگیری ماشین را به صورت بصری ارزیابی کنید و اسکریپت‌های اولیه (Prototype) را به جریان‌های کاری قابل استفاده مجدد و قابل نگهداری تبدیل نمایید. شما با بررسی نحوه استفاده از داشبوردهای بصری مانند TensorBoard شروع خواهید کرد تا مدل‌های مختلف را با استفاده از معیارهایی مانند منحنی‌های دقت، مسیرهای ضرر (Loss) و میزان مصرف منابع محاسباتی مقایسه کنید. سپس، یاد می‌گیرید که چگونه کد آموزش مدل را با استفاده از ابزارهایی مانند LightningModules و DataModules به ساختارهای استاندارد بازنویسی (Refactor) کنید. از طریق ویدیوهای کوتاه، متون آموزشی، تمرینات عملی و ارزیابی نهایی، در مقایسه مدل‌ها، درک عملکرد آزمایش‌ها و ایجاد جریان‌های کاری که کل تیم شما بتواند از آن‌ها استفاده کند، مهارت کسب خواهید کرد. چه در حال ارائه تحلیل‌های مدل باشید و چه در حال آماده‌سازی کد برای یک مخزن مشترک، در پایان این دوره آماده خواهید بود تا توسعه یادگیری ماشین در دنیای واقعی را با دقت و شفافیت پشتیبانی کنید.

سرفصل ها و درس ها

ارزیابی و ایجاد بصری جریان‌های کاری یادگیری ماشین Evaluate and Create ML Workflows Visually

ویدیو مقدماتی: چرا معیارهای بصری در ارزیابی یادگیری ماشین اهمیت دارند Introductory Video: Why Visual Metrics Matter in ML Evaluation
مقایسه نسخه‌های مختلف مدل: نگاهی کاربردی به ResNet 50 در مقابل EfficientNet Comparing Model Variants: A Practical Look at ResNet-50 vs. EfficientNet
چرا استانداردسازی جریان کاری در زمان شما صرفه‌جویی می‌کند Why Workflow Standardization Saves You Time
LightningModule و DataModule: تبدیل پروتوتایپ‌ها به خط لوله‌های داده LightningModule and DataModule: Turning Prototypes Into Pipelines
تبریکات و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey