آموزش Google Cloud Professional Machine Learning Cert Prep: 1 Framing ML Problems
Google Cloud Professional Machine Learning Engineer Cert Prep: 1 Framing ML Problems
در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
- در حال بارگزاری، لطفا صبر کنید...
کسب گواهینامه مهندس حرفه‌ای یادگیری ماشین Google توانایی شما را در طراحی، ساخت و تولید مدل‌های یادگیری ماشین برای حل چالش‌های تجاری با استفاده از فناوری‌های Google Cloud و دانش مدل‌ها و تکنیک‌های ML اثبات‌شده نشان می‌دهد.
این اولین دوره از سری آمادگی Google Professional Machine Learning Engineer است و مشکلات یادگیری ماشین کادربندی را پوشش می‌دهد. مربی نوح گیفت به شما نشان می‌دهد که چگونه چالش‌های تجاری را به موارد استفاده ML ترجمه کنید، مشکلات رایج ML و معیارهای موفقیت کسب‌وکار را تعریف می‌کند، و خطرات برای امکان‌سنجی راه‌حل‌های ML را شناسایی می‌کند.
سرفصل ها و درس ها
معرفی Introduction
-
بررسی اجمالی دوره و آزمون مهندسی ماشین حرفه ای گوگل Course and Google Professional Machine Learning Engineer exam overview
-
اصطلاحات کلیدی دوره 1 Course 1 key terminology
1. تبدیل چالش های تجاری به موارد استفاده از ML 1. Translating Business Challenges into ML Use Cases
-
ساخت جریان های کاری با هوش مصنوعی Building AI-enabled workflows
-
استفاده از ابزارهای هوش مصنوعی برای ساخت ابزارهای هوش مصنوعی Using AI tools to build AI tools
-
آموزش MLO ها در مقیاس با GitHub Teaching MLOps at scale with GitHub
2. تعریف مشکلات ML 2. Defining ML Problems
-
شبیه سازی در مقابل ردیابی آزمایش Simulations vs. experiment tracking
-
زمان استفاده از ML When to use ML
-
ML نظارت شده در مقابل ML بدون نظارت Supervised vs. unsupervised ML
-
بهينه سازي Optimization
-
خوشه بندی Clustering
3. تعریف معیارهای موفقیت کسب و کار 3. Defining Business Success Criteria
-
تعریف معیارهای موفقیت کسب و کار Defining business success criteria
4. شناسایی خطرات برای امکان سنجی راه حل های ML 4. Identifying Risks to Feasibility of ML Solutions
-
سلسله مراتب نیازهای MLOs MLOps hierachy of needs
-
هزینه های پنهان سیستم های سفارشی Hidden costs of bespoke systems
-
مسمومیت داده ها Data poisoning
نتیجه Conclusion
-
مراحل بعدی Next steps
https://donyad.com/d/18d91b
Noah Gift
کارشناس MLOps | انفرادی | نویسنده | استادیار | CTO
Noah Gift بنیانگذار Pragmatic A.I است. آزمایشگاه ها و یکی از همکاران بنیاد نرم افزار پایتون.
نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلم‌های اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.
نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلم‌های اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.
نمایش نظرات