نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره مقدمه ای در مورد قدرت ، انعطاف پذیری و مقیاس پذیری یادگیری ماشین لاجوردی است. شما یاد خواهید گرفت که فرایند علم داده را پیاده سازی کنید ، داده ها را آماده کنید و منابع داده را برای استفاده در آزمایش های یادگیری ماشین ادغام کنید. یادگیری ماشین و علوم داده یک زمینه هیجان انگیز و با رشد سریع است که ابزارهایی را برای کسب بینش عمیق تر از داده های شما فراهم می کند . در این دوره ، ایجاد و استقرار Microsoft Azure Machine Learning Studio Solutions ، شما در حال ایجاد و استقرار Microsoft Azure Machine Learning Studio Solutions خواهید بود. ابتدا واردات ، پاکسازی و تحول داده ها را کشف خواهید کرد. در مرحله بعدی ، آموزش ، ارزیابی و اصلاح مدل های یادگیری ماشین را خواهید یافت. سرانجام ، شما یاد خواهید گرفت که چگونه سرویس های وب پیش بینی را مستقر کرده و مصرف کنید. پس از اتمام این دوره ، می دانید که چگونه با استفاده از انواع الگوریتم های یادگیری ماشین با استفاده از رابط کاربری بصری و کد ، ابتدا آزمایشات علوم داده را با استفاده از نوت بوک های Jupyter و کد ویژوال استودیو ایجاد کنید.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شروع کار با Azure Machine Learning Studio
Getting Started with the Azure Machine Learning Studio
-
شروع شدن
Getting Started
-
طرح کلی دوره
Course Outline
-
استودیو یادگیری ماشین لاجوردی در متن
The Azure Machine Learning Studio in Context
-
گشتی در رابط کاربری
A Tour of the User Interface
-
نسخه ی نمایشی
Demo
تهیه داده ها و منابع داده
Preparing Data and Data Sources
-
وارد کردن داده ها
Importing Data
-
پیوستن به مجموعه داده ها در پایتون ، R و طراح
Joining Datasets in Python, R and the Designer
-
کاوش مجموعه داده ها
Exploring Datasets
-
درک داده ها
Understanding the Data
-
جریان داده ها
Data Flows
تمیز کردن ، عادی سازی و تبدیل داده های خام (مهندسی ویژگی)
Cleaning, Normalizing and Transforming Raw Data (Feature Engineering)
-
مهندسی و انتخاب ویژگی ها
Feature Engineering and Selection
-
پاک کردن داده های از دست رفته
Clean Missing Data
-
دورریزها
Outliers
-
تبدیل داده ها
Transforming Data
-
انتخاب ویژگی
Feature Selection
آموزش ، ارزیابی و پالایش مدلهای یادگیری ماشین
Training, Evaluating and Refining Machine Learning Models
-
الگوریتم های یادگیری ماشین
Machine Learning Algorithms
-
آموزش و ارزیابی یک طبقه بندی دو طبقه
Training and Evaluating a Two-Class Classification
-
رگرسیون خطی
Linear Regression
-
اعتبار سنجی متقابل
Cross-validation
-
تنظیم Hyperparameters مدل
Tuning Model Hyperparameters
خودکار یادگیری ماشین
Automated Machine Learning
-
مقدمه ای بر یادگیری ماشین خودکار
Introduction to Automated Machine Learning
-
یادگیری خودکار ماشین با رابط کاربری استودیو
Automated Machine Learning with the Studio User Interface
-
یادگیری خودکار ماشین با پایتون
Automated Machine Learning with Python
خطوط لوله استقرار و یادگیری ماشین
Deployment and Machine Learning Pipelines
-
استقرار مدل های یادگیری ماشین
Deploying Machine Learning Models
-
نسخه ی نمایشی: استقرار مدل
Demo: Model Deployment
-
نظارت و رانش داده ها
Monitoring and Data Drift
-
خطوط لوله یادگیری ماشین
Machine Learning Pipelines
-
ساخت خطوط لوله یادگیری ماشین در پایتون
Building Machine Learning Pipelines in Python
بسته بندی کردن
Wrapping Up
-
در مورد نتایج ما چطور؟
What About Our Results?
-
مراحل بعدی
Next Steps
نمایش نظرات