آموزش آمادگی برای گواهینامه مهندس یادگیری ماشین ابری Google

Google Cloud Machine Learning Engineer Certification Prep

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساخت، استقرار و مدیریت خدمات یادگیری ماشین در مقیاس درک نحوه استفاده از سرویس‌های Google Cloud برای ساخت، استقرار و مدیریت مدل‌های یادگیری ماشین در تولید استفاده از Vertex AI، BigQuery، Cloud Dataflow، و Cloud Dataproc در خطوط لوله ML تنظیم آموزش و ارائه خطوط لوله انتخاب زیرساخت مناسب، از جمله ماشین‌های مجازی، کانتینرها، پردازنده‌های گرافیکی و TPUS چگونه داده‌ها را در عملیات ML ایمن کنیم و در عین حال از حریم خصوصی محافظت کنیم مدل‌های یادگیری ماشین را در تولید نظارت کنیم و بدانیم چه زمانی باید مدل‌ها را دوباره آموزش دهیم. مجموعه داده‌ها را برای شناسایی مشکلات و حل مسائلی مانند عدم تعادل کلاس و داده‌های ناکافی کاوش کنید. پیش نیازها:آشنایی با مفاهیم اولیه ابر درک برخی موارد استفاده از یادگیری ماشینی

مهندس یادگیری ماشین نقشی ارزشمند، در تقاضا و اهمیت فزاینده‌ای برای سازمان‌هایی است که خدمات فشرده داده را در فضای ابری ایجاد می‌کنند. گواهینامه مهندس گوگل Cloud Professional Machine Learning یکی از معتبرترین مدارک این رشته است. این دوره به شما کمک می کند تا برای شرکت در آزمون و قبولی در آن آماده شوید. به طور خاص، این دوره به شما در درک جزئیات زیر کمک می کند:


  • ساخت و استقرار مدل‌های ML برای حل چالش‌های تجاری با استفاده از خدمات Google Cloud و بهترین شیوه‌ها برای یادگیری ماشین

  • جنبه‌های معماری مدل یادگیری ماشین، ساختار خطوط لوله داده، بهینه‌سازی، و همچنین نظارت بر عملکرد مدل در تولید

  • مفاهیم اساسی توسعه مدل، مدیریت زیرساخت، مهندسی داده، و حاکمیت داده

  • تهیه داده‌ها، بهینه‌سازی قالب‌های ذخیره‌سازی، انجام تجزیه و تحلیل داده‌های اکتشافی، و مدیریت داده‌های از دست رفته

  • مهندسی ویژگی، تقویت داده ها و رمزگذاری ویژگی برای به حداکثر رساندن احتمال ساخت مدل های موفق

  • در طول فرآیند توسعه ML هوش مصنوعی مسئول را درک کنید و کنترل‌ها و حاکمیت مناسب را برای اطمینان از عدالت در مدل‌های یادگیری ماشین اعمال کنید.

در پایان این دوره، نحوه استفاده از سرویس‌های Google Cloud را برای یادگیری ماشینی می‌دانید و به همان اندازه مهم، مفاهیم و تکنیک‌های یادگیری ماشینی مورد نیاز برای استفاده مؤثر از آن خدمات را خواهید فهمید.


برخلاف دوره‌هایی که نحوه استفاده از سرویس‌های Google Cloud خاص را به شما آموزش می‌دهند، این دوره برای آموزش خدمات و همچنین تمام موضوعاتی که در راهنمای امتحان یادگیری ماشین حرفه‌ای Google Cloud از جمله اصول و تکنیک‌های یادگیری ماشین ارائه شده است، طراحی شده است. .


این دوره با بحث در مورد مشکلات کسب و کار چارچوب بندی به عنوان مشکلات یادگیری ماشین شروع می شود و سپس فصلی در مورد چارچوب بندی فنی در مورد مشکلات ML ارائه می شود. در مرحله بعد معماری خطوط لوله آموزشی و پشتیبانی از خدمات ML در Google Cloud را بررسی می کنیم، مانند:

  • مجموعه های داده Vertex AI

  • AutoML

  • میزهای کاری Vertex AI

  • فضای ذخیره سازی ابری

  • BigQuery

  • Cloud Dataflow

  • Cloud Dataproc.

یادگیری ماشین و زیرساخت و امنیت در ادامه بررسی می‌شود.

سپس تمرکز خود را به ساخت و پیاده‌سازی مدل‌های یادگیری ماشینی تغییر می‌دهیم که با مدیریت و آماده‌سازی داده‌ها برای یادگیری ماشین، ساخت مدل‌های یادگیری ماشین، و آموزش و آزمایش مدل‌های یادگیری ماشین شروع می‌شود. پس از آن، فصل‌هایی در مورد خدمات یادگیری ماشین و نظارت و تنظیم و بهینه‌سازی آموزش و ارائه مدل‌های یادگیری ماشین ارائه می‌شود.

عملیات یادگیری ماشین، همچنین به عنوان MLOps شناخته می شوند، به شدت از شیوه های مهندسی نرم افزار وام گرفته می شوند. به عنوان یک مهندس ماشین، از درک خود از شیوه های مهندسی نرم افزار استفاده خواهید کرد و آنها را در یادگیری ماشین به کار خواهید برد. مهندسان یادگیری ماشین می دانند که چگونه از ابزارهای ML استفاده کنند، مدل بسازند، در تولید مستقر کنند و خدمات ML را نظارت کنند. آنها همچنین می دانند که چگونه خطوط لوله را تنظیم کنند و استفاده از منابع محاسباتی و ذخیره سازی را بهینه کنند.

مهندسین یادگیری ماشین و مهندسان داده مکمل یکدیگر هستند. مهندسان داده خدمات و خطوط لوله را برای جمع‌آوری، ذخیره و مدیریت داده‌ها ایجاد می‌کنند در حالی که مهندسان یادگیری ماشین از این سرویس‌های داده به عنوان نقطه شروعی برای دسترسی به داده‌ها و ساخت مدل‌های ML برای حل مشکلات خاص تجاری استفاده می‌کنند.




سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • معرفی Introduction

  • کار با Google Cloud Working with Google Cloud

  • کار با Google Cloud Working with Google Cloud

  • چگونه وقتی گیر کرده اید کمک بگیرید How to Get Help When You are Stuck

  • چگونه وقتی گیر کرده اید کمک بگیرید How to Get Help When You are Stuck

معرفی Introduction

چارچوب بندی مسائل کسب و کار به عنوان مسائل یادگیری ماشینی Framing Business Problems as Machine Learning Problems

  • شناسایی مشکلات تجاری که از ML سود می برند Identifying Business Problems that Benefit from ML

  • شناسایی مشکلات تجاری که از ML سود می برند Identifying Business Problems that Benefit from ML

  • تعریف معیارهای موفقیت ML Defining ML Success Criteria

  • تعریف معیارهای موفقیت ML Defining ML Success Criteria

  • مراحل ساخت مدل های ML Steps to Building ML Models

  • مراحل ساخت مدل های ML Steps to Building ML Models

  • استفاده از مدل های ML در تولید Utilizing ML Models in Production

  • استفاده از مدل های ML در تولید Utilizing ML Models in Production

  • امتحان Quiz

  • امتحان Quiz

چارچوب بندی مسائل کسب و کار به عنوان مسائل یادگیری ماشینی Framing Business Problems as Machine Learning Problems

چارچوب بندی فنی مسائل ML Technical Framing of ML Problems

  • یادگیری تحت نظارت - طبقه بندی Supervised Learning - Classification

  • یادگیری تحت نظارت - طبقه بندی Supervised Learning - Classification

  • یادگیری تحت نظارت - رگرسیون Supervised Learning - Regression

  • یادگیری تحت نظارت - رگرسیون Supervised Learning - Regression

  • یادگیری بدون نظارت Unsupervised Learning

  • یادگیری بدون نظارت Unsupervised Learning

  • یادگیری نیمه نظارتی Semi-supervised Learning

  • یادگیری نیمه نظارتی Semi-supervised Learning

  • یادگیری تقویتی Reinforcement Learning

  • یادگیری تقویتی Reinforcement Learning

  • ساختار ورودی مدل ML ML Model Input Structure

  • ساختار ورودی مدل ML ML Model Input Structure

  • ساختار خروجی مدل ML ML Model Output Structure

  • ساختار خروجی مدل ML ML Model Output Structure

  • خطرات توسعه موفق مدل ML Risks to Successful ML Model Development

  • خطرات توسعه موفق مدل ML Risks to Successful ML Model Development

  • امتحان Quiz

  • امتحان Quiz

چارچوب بندی فنی مسائل ML Technical Framing of ML Problems

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • 3 دسته از مسائل یادگیری ماشین 3 Categories of Machine Learning Problems

  • 3 دسته از مسائل یادگیری ماشین 3 Categories of Machine Learning Problems

  • 2 رویکرد به یادگیری ماشین 2 Approaches to Machine Learning

  • 2 رویکرد به یادگیری ماشین 2 Approaches to Machine Learning

  • یادگیری ماشین نمادین Symbolic Machine Learning

  • یادگیری ماشین نمادین Symbolic Machine Learning

  • شبکه های عصبی و یادگیری ماشین Neural Networks and Machine Learning

  • شبکه های عصبی و یادگیری ماشین Neural Networks and Machine Learning

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

ساخت مدل های یادگیری ماشین Building Machine Learning Models

  • انتخاب مدل ها و چارچوب ها Choosing Models and Frameworks

  • انتخاب مدل ها و چارچوب ها Choosing Models and Frameworks

  • تفسیرپذیری مدل ها Interpretability of Models

  • تفسیرپذیری مدل ها Interpretability of Models

  • یادگیری انتقالی Transfer Learning

  • یادگیری انتقالی Transfer Learning

  • افزایش داده ها Data Augmentation

  • افزایش داده ها Data Augmentation

  • عیب یابی مدل ها Troubleshooting Models

  • عیب یابی مدل ها Troubleshooting Models

  • امتحان Quiz

  • امتحان Quiz

ساخت مدل های یادگیری ماشین Building Machine Learning Models

خطوط لوله آموزش یادگیری ماشین Machine Learning Training Pipelines

  • مروری بر خطوط لوله ML Overview of ML Pipelines

  • مروری بر خطوط لوله ML Overview of ML Pipelines

  • 3 گام برای تولید 3 Steps to Production

  • 3 گام برای تولید 3 Steps to Production

  • خدمات جامع ML Comprehensive ML Services

  • خدمات جامع ML Comprehensive ML Services

  • امتحان Quiz

  • امتحان Quiz

خطوط لوله آموزش یادگیری ماشین Machine Learning Training Pipelines

یادگیری ماشین و خدمات مرتبط Google Cloud Machine Learning and Related Google Cloud Services

  • مقدمه ای بر Vertex AI Introduction to Vertex AI

  • مقدمه ای بر Vertex AI Introduction to Vertex AI

  • مجموعه داده های هوش مصنوعی Vetex Vetex AI Datasets

  • مجموعه داده های هوش مصنوعی Vetex Vetex AI Datasets

  • فروشگاه ویژگی Vertex AI Vertex AI Featurestore

  • فروشگاه ویژگی Vertex AI Vertex AI Featurestore

  • میزهای کاری Vertex AI Vertex AI Workbences

  • میزهای کاری Vertex AI Vertex AI Workbences

  • آموزش هوش مصنوعی Vetex Vetex AI Training

  • آموزش هوش مصنوعی Vetex Vetex AI Training

  • مقدمه ای بر فضای ذخیره سازی ابری Introduction to Cloud Storage

  • مقدمه ای بر فضای ذخیره سازی ابری Introduction to Cloud Storage

  • مقدمه ای بر BigQuery Introduction to BigQuery

  • مقدمه ای بر BigQuery Introduction to BigQuery

  • مقدمه ای بر Cloud Dataflow Introduction to Cloud Dataflow

  • مقدمه ای بر Cloud Dataflow Introduction to Cloud Dataflow

  • مقدمه ای بر Cloud Dataproc Introduction to Cloud Dataproc

  • مقدمه ای بر Cloud Dataproc Introduction to Cloud Dataproc

  • امتحان Quiz

  • امتحان Quiz

یادگیری ماشین و خدمات مرتبط Google Cloud Machine Learning and Related Google Cloud Services

زیرساخت و امنیت یادگیری ماشین Machine Learning Infrastructure and Security

  • ماشین های مجازی و کانتینرها Virtual Machines and Containers

  • ماشین های مجازی و کانتینرها Virtual Machines and Containers

  • GPU و TPU GPUs and TPUs

  • GPU و TPU GPUs and TPUs

  • دستگاه های لبه Edge Devices

  • دستگاه های لبه Edge Devices

  • ایمن سازی مدل های ML Securing ML Models

  • ایمن سازی مدل های ML Securing ML Models

  • حفاظت از حریم خصوصی در مدل های ML Protecting Privacy in ML Models

  • حفاظت از حریم خصوصی در مدل های ML Protecting Privacy in ML Models

  • امتحان Quiz

  • امتحان Quiz

زیرساخت و امنیت یادگیری ماشین Machine Learning Infrastructure and Security

تجزیه و تحلیل داده های اکتشافی و مهندسی ویژگی Exploratory Data Analysis and Feature Engineering

  • آمار پایه برای اکتشاف داده ها Basic Statistics for Data Exploration

  • آمار پایه برای اکتشاف داده ها Basic Statistics for Data Exploration

  • رمزگذاری داده ها Encoding Data

  • رمزگذاری داده ها Encoding Data

  • انتخاب ویژگی Feature Selection

  • انتخاب ویژگی Feature Selection

  • عدم تعادل طبقاتی Class Imbalance

  • عدم تعادل طبقاتی Class Imbalance

  • ویژگی صلیب Feature Crosses

  • ویژگی صلیب Feature Crosses

  • TensorFlow تبدیل می شود TensorFlow Transforms

  • TensorFlow تبدیل می شود TensorFlow Transforms

  • امتحان Quiz

  • امتحان Quiz

تجزیه و تحلیل داده های اکتشافی و مهندسی ویژگی Exploratory Data Analysis and Feature Engineering

مدیریت و آماده سازی داده ها برای یادگیری ماشینی Managing and Preparing Data for Machine Learning

  • سازماندهی و بهینه سازی مجموعه های آموزشی Organizing and Optimizing Training Sets

  • سازماندهی و بهینه سازی مجموعه های آموزشی Organizing and Optimizing Training Sets

  • رسیدگی به داده های از دست رفته Handling Missing Data

  • رسیدگی به داده های از دست رفته Handling Missing Data

  • رسیدگی به موارد پرت در داده ها Handling Outliers in Data

  • رسیدگی به موارد پرت در داده ها Handling Outliers in Data

  • جلوگیری از نشت داده ها Avoiding Data Leakage

  • جلوگیری از نشت داده ها Avoiding Data Leakage

  • امتحان Quiz

  • امتحان Quiz

مدیریت و آماده سازی داده ها برای یادگیری ماشینی Managing and Preparing Data for Machine Learning

آموزش و آزمایش مدل های یادگیری ماشینی Training and Testing Machine Learning Models

  • فرمت های فایل داده های آموزشی Training Data File Formats

  • فرمت های فایل داده های آموزشی Training Data File Formats

  • تنظیم فراپارامتر Hyperparameter Tuning

  • تنظیم فراپارامتر Hyperparameter Tuning

  • خطوط پایه و آزمون های واحد Baselines and Unit Tests

  • خطوط پایه و آزمون های واحد Baselines and Unit Tests

  • آموزش توزیع شده Distributed Training

  • آموزش توزیع شده Distributed Training

  • امتحان Quiz

  • امتحان Quiz

آموزش و آزمایش مدل های یادگیری ماشینی Training and Testing Machine Learning Models

خدمات و مانیتورینگ یادگیری ماشین Machine Learning Serving and Monitoring

  • گزینه های سرویس Google Cloud Google Cloud Serving Options

  • گزینه های سرویس Google Cloud Google Cloud Serving Options

  • خدمات پیش بینی مقیاس Scaling Prediction Services

  • خدمات پیش بینی مقیاس Scaling Prediction Services

  • عملکرد و کیفیت تجاری پیش بینی ها Performance and Business Quality of Predictions

  • عملکرد و کیفیت تجاری پیش بینی ها Performance and Business Quality of Predictions

  • انصاف در مدل های ML Fairness in ML Models

  • انصاف در مدل های ML Fairness in ML Models

  • امتحان Quiz

  • امتحان Quiz

خدمات و مانیتورینگ یادگیری ماشین Machine Learning Serving and Monitoring

تنظیم و بهینه سازی خطوط لوله یادگیری ماشین Tuning and Optimizing Machine Learning Pipelines

  • بهینه سازی خطوط لوله آموزشی Optimizing Training Pipelines

  • بهینه سازی خطوط لوله آموزشی Optimizing Training Pipelines

  • بهینه سازی خطوط لوله خدمات رسانی Optimizing Serving Pipelines

  • بهینه سازی خطوط لوله خدمات رسانی Optimizing Serving Pipelines

  • امتحان Quiz

  • امتحان Quiz

تنظیم و بهینه سازی خطوط لوله یادگیری ماشین Tuning and Optimizing Machine Learning Pipelines

نکات و منابع Tips and Resources

  • راهکارها و نکات امتحانی Exam Strategies and Tips

  • راهکارها و نکات امتحانی Exam Strategies and Tips

  • منابع اضافی برای کمک به آمادگی برای امتحان Additional Resources to Help Prepare for the Exam

  • منابع اضافی برای کمک به آمادگی برای امتحان Additional Resources to Help Prepare for the Exam

نکات و منابع Tips and Resources

با تشکر از شما برای شرکت در دوره! Thank you for taking the course!

  • با تشکر از شما برای شرکت در دوره! Thank you for taking the course!

  • با تشکر از شما برای شرکت در دوره! Thank you for taking the course!

با تشکر از شما برای شرکت در دوره! Thank you for taking the course!

آزمون تمرینی Practice Test

  • تست تمرین مهندس یادگیری ماشین Machine Learning Engineer Practice Test

  • تست تمرین مهندس یادگیری ماشین Machine Learning Engineer Practice Test

آزمون تمرینی Practice Test

نمایش نظرات

آموزش آمادگی برای گواهینامه مهندس یادگیری ماشین ابری Google
جزییات دوره
5.5 hours
72
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,729
4.2 از 5
ندارد
دارد
دارد
Dan Sullivan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.