🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدل: بهترین روش ها برای پزشکان داده
- آخرین آپدیت
Model Training: Best Practices for Data Practitioners
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی همه جا هست. هر روز قابلیت های هوش مصنوعی بیشتر می شود
به هر محصول اضافه شده است، بنابراین برای به روز ماندن باید بر آن مهارت تسلط داشته باشید.
در این دوره، آموزش مدل: بهترین روش ها برای دست اندرکاران داده،
شما توانایی آموزش مدلی برای حل چنین مشکلات هوش مصنوعی را به دست خواهید آورد. ابتدا، چرخه عمر مدل و استراتژی های آماده سازی داده ها را بررسی خواهید کرد.
در مرحله بعد، نحوه آموزش و انتخاب مدل ها را خواهید فهمید.
در نهایت، یاد خواهید گرفت که چگونه با روندها به روز باشید.
وقتی این دوره را تمام کردید، مهارت ها و مهارت ها را خواهید داشت
دانش آموزش مدل مورد نیاز برای افزودن هر ویژگی هوش مصنوعی به هر کدام
محصول در صورت نیاز
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
آموزش و انتخاب مدل با تقسیم بندی Train-test
Model Training and Selection with Train-test Splits
ملاقات با چرخه عمر مدل ML
Meeting the ML Model Lifecycle
معرفی آموزش تحت نظارت در مقابل آموزش بدون نظارت
Introducing Supervised vs. Unsupervised Learning
تقسیمهای Train-Test-Validation در انتخاب مدل
Train-Test-Validation Splits in Model Selection
نسخه ی نمایشی: اولین مدل ما: رگرسیون
Demo: Our First Model: Regression
معیارهای رگرسیون
Regression Metrics
نسخه ی نمایشی: استفاده از train_test_split برای انتخاب ویژگی ها
Demo: Using train_test_split to Select Features
بررسی نسخه
Version Check
آموزش و انتخاب مدل با اعتبارسنجی متقاطع
Model Training and Selection with Cross Validation
نسخه ی نمایشی: طبقه بندی با رگرسیون لجستیک
Demo: Classification with Logistic Regression
آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.
نمایش نظرات