نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
دوره یادگیری صفر-شات و چند-شات (Zero-Shot & Few-Shot Learning) یک دوره سطح متوسط است که برای دانشمندان داده، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی طراحی شده است تا بتوانند مدلهایی بسازند که حتی در صورت محدود بودن دادههای برچسبدار، عملکرد عالی داشته باشند. یادگیری نظارتی سنتی زمانی که نمونهها کم باشند یا وظایف بهطور مداوم در حال تغییر باشند، با شکست مواجه میشود. این دوره به شما نشان میدهد که چگونه با استفاده از تکنیکهای پیشرفته یادگیری صفر-شات و چند-شات، این مشکل را حل کنید.
شما خواهید آموخت که چگونه از مدلهای پیشآموزشدیده، جاسازیهای معنایی (Semantic Embeddings) و یادگیری انتقالی برای تعمیم وظایف بدون نیاز به آموزش مجدد از ابتدا استفاده کنید. از طریق ویدیوهای مورد-محور، آزمایشگاههای عملی و پروژههای تصمیممحور، ابزارهایی مانند مهندسی پرامپت، شبکههای نمونهوار (Prototypical Networks) و یادگیری مقابلهای (Contrastive Learning) را بررسی خواهید کرد. در این مسیر، شما خط لولههای (Pipelines) کاملی را متناسب با محدودیتهای دنیای واقعی خواهید ساخت و بر اساس در دسترس بودن دادهها، نیازهای پروژه و اهداف استقرار، متد مناسب را انتخاب خواهید کرد.
چه در حال تشخیص کلاهبرداری با نمونههای کم باشید و چه در حال طبقهبندی انواع محصولات جدید بدون برچسب، این دوره شما را مجهز میکند تا مدلهای هوشمندتر و بهینهتری بسازید که با دادههای کمتر، بیشتر بیاموزند.
سرفصل ها و درس ها
ماژول ۱: ارزیابی منابع سوگیری در آزمایشها
Module 1: Evaluate Experiment Bias Sources
چرا تشخیص سوگیری، تستهای A/B موفق را از اشتباهات هزینهبر جدا میکند
Why Bias Detection Separates Successful A/B Tests from Costly Mistakes
درک منابع رایج سوگیری در تستهای A/B
Understanding Common Bias Sources in A/B Testing
تشخیص سوگیری در دادههای واقعی تست A/B: نمایش گامبهگام
Detecting Bias in Real A/B Test Data: A Step-by-Step Demonstration
ماژول ۲: طراحی آزمایشهای معتبر از نظر آماری
Module 2: Design Statistically Valid Experiments
چرا دقت آماری باعث موفقیت تجاری در تستهای A/B میشود
Why Statistical Rigor Drives Business Success in A/B Testing
محاسبه اندازه نمونه: تحلیل توان در عمل
Calculating Sample Sizes: Power Analysis in Practice
استفاده از ماشینحسابهای آماری برای طراحی آزمایش
Using Statistical Calculators for Experiment Design
نمایش نظرات