آموزش AWS دارای گواهی یادگیری ماشین - تخصص (MLS-C01) - 2023

AWS Certified Machine Learning – Specialty (MLS-C01) - 2023

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: AWS Certified Machine Learning – Speciality (MLS-C01) - 2023 ,Sagemaker , AWS MLOps, Data Engineering, Exam Ready Updated انتخاب و توجیه رویکرد ML مناسب برای یک مشکل تجاری معین شناسایی خدمات AWS مناسب برای پیاده سازی راه حل های ML طراحی و پیاده سازی مقیاس پذیر، راه حل های ML بهینه، قابل اعتماد و ایمن توانایی بیان شهود در پشت الگوریتم های اساسی ML انجام بهینه سازی فراپارامتر یادگیری ماشینی و چارچوب های یادگیری عمیق توانایی پیروی از بهترین شیوه های آموزش مدل توانایی دنبال کردن بهترین شیوه های استقرار توانایی پیروی عملیاتی بهترین تجربیات پیش نیازها: دانش پایه AWS دانش پایه برنامه نویسی پایتون درک پایه علم داده دانش پایه یادگیری ماشین

آموزش ماشین دارای گواهینامه AWS – تخصص (MLS-C01) - 2023 دوره جامعی است که شما را برای آزمون تخصصی آموزش ماشینی دارای گواهی AWS (MLS-C01) آماده می کند. این دوره دانش و مهارت های شما را در مفاهیم و برنامه های یادگیری ماشین در پلت فرم AWS افزایش می دهد. در طول دوره، شما درک عمیقی از تکنیک های مختلف یادگیری ماشین، پیش پردازش داده ها، مهندسی ویژگی، آموزش مدل و ارزیابی کسب خواهید کرد. همچنین یاد خواهید گرفت که چگونه راه حل های یادگیری ماشین را با استفاده از سرویس های محبوب AWS مانند Amazon SageMaker، AWS Lambda، AWS Glue و غیره پیاده سازی کنید. در پایان دوره، شما به خوبی آماده خواهید شد تا با اطمینان آزمون تخصصی یادگیری ماشین گواهی شده AWS را پشت سر بگذارید و اصول یادگیری ماشینی را به طور موثر در سناریوهای دنیای واقعی اعمال کنید.


طبق AWS، وظایفی که توانایی داوطلب در آنها تأیید می‌شود در زیر آمده است:

· رویکرد ML مناسب را برای یک مشکل تجاری معین انتخاب و توجیه کنید

· خدمات AWS مناسب را برای پیاده سازی راه حل های ML شناسایی کنید

· راه حل های ML مقیاس پذیر، بهینه سازی شده، قابل اعتماد و ایمن را طراحی و اجرا کنید.


همچنین، از داوطلبان انتظار می‌رود مهارت‌های زیر را داشته باشند:

· توانایی بیان شهود در پشت الگوریتم های پایه ML

· تجربه انجام بهینه سازی هایپرپارامتر اساسی

· تجربه با ML و چارچوب های یادگیری عمیق

· توانایی پیروی از بهترین شیوه های آموزش مدل

· توانایی پیروی از بهترین شیوه های استقرار

· توانایی پیروی از بهترین شیوه های عملیاتی


و آزمون گواهینامه طراحی و تقسیم شده است تا تخصص داوطلب را در 4 دامنه تأیید کند:

1. دامنه 1: مهندسی داده  20% وزن

2. دامنه 2: تجزیه و تحلیل داده های اکتشافی  24% وزن

3. دامنه 3: مدل سازی  36% وزن

4. دامنه 4: پیاده سازی و عملیات یادگیری ماشین  20%



در سفر یادگیری گواهینامه خود در این دوره، ما از همین الگو پیروی می‌کنیم و موضوعات را به صورت متوالی و منطقی پوشش می‌دهیم تا به‌عنوان یک متخصص، بتوانید در آزمون گواهینامه برتر باشید.


دامنه 1: مهندسی داده

· مخازن داده برای یادگیری ماشین ایجاد کنید. ·

o شناسایی منابع داده (به عنوان مثال، محتوا و مکان، منابع اولیه مانند داده های کاربر)

o تعیین رسانه های ذخیره سازی (مانند DB، Data Lake، S3، EFS، EBS)

· یک راه حل انتقال داده را شناسایی و اجرا کنید.

o سبک‌ها/انواع کار داده (بار دسته‌ای، پخش جریانی)

o خطوط لوله انتقال داده (بارهای کاری ML مبتنی بر دسته و بارهای کاری ML مبتنی بر جریان)

§ حرکت حرکتی

§ تجزیه و تحلیل Kinesis

§ Kinesis Firehose

§ EMR

§ چسب

o زمان‌بندی شغل

· یک راه حل تبدیل داده را شناسایی و اجرا کنید.

درحال انتقال داده (ETL: Glue، EMR، AWS Batch)

o مدیریت داده‌های خاص ML با استفاده از کاهش نقشه (Hadoop، Spark، Hive)


دامنه 2: تجزیه و تحلیل داده های اکتشافی

· پاکسازی و آماده سازی داده ها برای مدل سازی.

o داده های از دست رفته، داده های فاسد، کلمات توقف و غیره را شناسایی و مدیریت کنید.

o قالب‌بندی، عادی‌سازی، تقویت و مقیاس‌بندی داده‌ها

o داده‌های برچسب‌گذاری‌شده (تشخیص اینکه چه زمانی داده‌های برچسب‌دار کافی دارید و شناسایی استراتژی‌های کاهش [ابزارهای برچسب‌گذاری داده‌ها (مکانیکال ترک، کار دستی)])

· مهندسی ویژگی را انجام دهید.

o شناسایی و استخراج ویژگی ها از مجموعه داده ها، از جمله از منابع داده مانند متن، گفتار، تصویر، مجموعه داده های عمومی و غیره.

o تجزیه و تحلیل/ارزیابی مفاهیم مهندسی ویژگی (binning، tokenization، outliers، ویژگی های مصنوعی، 1 رمزگذاری داغ، کاهش ابعاد داده ها) 2.3

· تجزیه و تحلیل و تجسم داده ها برای یادگیری ماشین.

o نمودار (نمودار پراکنده، سری زمانی، هیستوگرام، نمودار جعبه)

o تفسیر آمار توصیفی (همبستگی، آمار خلاصه، مقدار p)

o خوشه بندی (سلسله مراتبی، تشخیصی، طرح آرنج، اندازه خوشه)


دامنه 3 : مدل سازی

· مشکلات کسب و کار را به عنوان مشکلات یادگیری ماشین در نظر بگیرید.

o تعیین کنید چه زمانی از ML استفاده شود/چه زمانی استفاده نشود

o تفاوت بین یادگیری تحت نظارت و بدون نظارت را بدانید

o انتخاب از بین طبقه بندی، رگرسیون، پیش بینی، خوشه بندی، توصیه و غیره.

· مدل(های) مناسب را برای یک مشکل یادگیری ماشین مشخص انتخاب کنید.

o Xgboost، رگرسیون لجستیک، K-means، رگرسیون خطی، درخت تصمیم، جنگل‌های تصادفی، RNN، CNN، Ensemble، آموزش انتقال

o بیان شهود در پشت مدل ها

· آموزش مدل های یادگیری ماشین.

o تقسیم آزمون اعتبارسنجی قطار، اعتبارسنجی متقابل

o بهینه ساز، نزول گرادیان، توابع از دست دادن، حداقل های محلی، همگرایی، دسته ها، احتمال، و غیره.

o محاسبه انتخاب (GPU در مقابل CPU، توزیع شده در مقابل غیر توزیع، پلت فرم [Spark در مقابل غیر Spark])

o به روز رسانی و آموزش مجدد مدل

§ دسته ای در مقابل بلادرنگ/آنلاین

· بهینه سازی هایپرپارامتر را انجام دهید.

o منظم سازی

§ ترک تحصیل

§ L1/L2

o اعتبارسنجی متقابل

o مقداردهی اولیه مدل

معماری شبکه عصبی (لایه ها/گره ها)، نرخ یادگیری، توابع فعال سازی

o مدل‌های مبتنی بر درخت (# درخت، # سطح)

o مدل های خطی (نرخ یادگیری)

· مدل های یادگیری ماشین را ارزیابی کنید.

o اجتناب از برازش بیش از حد/کم تناسب (تشخیص و مدیریت سوگیری و واریانس)

o معیارها (AUC-ROC، دقت، دقت، فراخوان، RMSE، امتیاز F1)

o ماتریس سردرگمی

o ارزیابی مدل آفلاین و آنلاین، تست A/B

o مقایسه مدل ها با استفاده از معیارها (زمان آموزش یک مدل، کیفیت مدل، هزینه های مهندسی)

o اعتبارسنجی متقابل


دامنه 4: پیاده سازی و عملیات یادگیری ماشین

· راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا بسازید.

o ثبت و نظارت بر محیط AWS

§ CloudTrail و CloudWatch

§ نظارت بر خطای ساخت

o چندین منطقه، چند منطقه AZ

o AMI/تصویر طلایی

o ظروف Docker

o گروه‌های مقیاس خودکار

o حقوق دهی

§ موارد

§ IOPS ارائه شده

§ جلدها

o تعادل بار

بهترین شیوه های AWS

· خدمات و ویژگی های یادگیری ماشین مناسب را برای یک مشکل معین توصیه و پیاده سازی کنید.

o ML در AWS (خدمات برنامه)

§ Poly o Lex o رونویسی

o محدودیت های سرویس AWS

o مدل خود را در مقابل الگوریتم های داخلی SageMaker بسازید

o زیرساخت: (نقطه، انواع نمونه)، ملاحظات هزینه

§ استفاده از نمونه‌های نقطه‌ای برای آموزش مدل‌های یادگیری عمیق با استفاده از AWS Batch

· شیوه‌های امنیتی اولیه AWS را در راه‌حل‌های یادگیری ماشین اعمال کنید.

o IAM

خط مشی های سطل S3

o گروه های امنیتی

o VPC

o رمزگذاری/ناشناس سازی

· راه حل های یادگیری ماشین را مستقر و عملیاتی کنید.

o افشای نقاط پایانی و تعامل با آنها

نسخه‌سازی مدل ML

آزمایش A/B

o بازآموزی خطوط لوله

o اشکال‌زدایی/عیب‌یابی ML

§ تشخیص و کاهش افت عملکرد o نظارت بر عملکرد حالت


ابزارها، فن‌آوری‌ها و مفاهیمی که به عنوان بخشی از این آزمون تحت پوشش قرار می‌گیرند در زیر آمده است:


· بلع/مجموعه

· پردازش/ETL

· تجزیه و تحلیل/تجسم داده

· آموزش مدل

· استقرار/استنتاج مدل

· عملیاتی

· خدمات برنامه AWS ML

· زبان مربوط به ML (Python)

· نوت بوک ها و محیط های توسعه یکپارچه (IDE)


خدمات و ویژگی‌های AWS Analytics:


· آمازون آتنا

· آمازون EMR

· Amazon Kinesis Data Analytics

· Amazon Kinesis Data Firehose

· Amazon Kinesis Data Streams

· Amazon QuickSight

محاسبه:

· دسته AWS

· Amazon EC2


ظروف:

· ثبت ظروف الاستیک آمازون (Amazon ECR)

· سرویس کانتینر الاستیک آمازون (Amazon ECS)

· Amazon Elastic Kubernetes Service (Amazon EKS)

پایگاه داده:

· چسب AWS

· Amazon Redshift

اینترنت اشیا (IoT):

· نسخه AWS IoT Greengrass

یادگیری ماشینی:

· Amazon Comprehend

· AMI های یادگیری عمیق AWS (DLAMI)

· AWS DeepLens

· پیش بینی آمازون

· ردیاب تقلب آمازون

· آمازون لکس

· آمازون پولی

· شناسایی آمازون

· Amazon SageMaker

· متن آمازون

· رونویسی آمازون

· ترجمه آمازون

مدیریت و حکمرانی:

· AWS CloudTrail

· Amazon CloudWatch

شبکه و تحویل محتوا:

· امنیت، هویت و انطباق Amazon VPC:

· مدیریت هویت و دسترسی AWS (IAM)

بدون سرور:

· AWS Fargate

· AWS Lambda

فضای ذخیره سازی:

· سیستم فایل الاستیک آمازون (Amazon EFS)

· Amazon FSx

· Amazon S3



"بینش‌های مبتنی بر هوش مصنوعی در AWS! در تخصص یادگیری ماشین گواهینامه بگیرید و پتانسیل نامحدود را در سال 2023 باز کنید."


سرفصل ها و درس ها

درباره آزمون گواهینامه و دوره About Certification Exam & Course

  • درباره مدرس دوره و بهترین روش ها برای موفقیت About the Course Instructor & Best Practices to Succeed

  • چک لیست دامنه 1: مهندسی داده Checklist of Domain 1 : Data Engineering

  • راه اندازی رابط خط فرمان برای کاربران ویندوز Command Line Interface Setup for Windows Users

دامنه 1: مهندسی داده Domain 1 : Data Engineering

  • دامنه 1 - فایل های پیوست Domain 1 - Hands On Attachment Files

  • مقدمه ای بر مهندسی داده و ابزارهای جذب داده Introduction to Data Engineering & Data Ingestion Tools

  • ابزار مهندسی داده Data Engineering Tools

  • کار با کلاس های S3 و Storage Working with S3 and Storage Classes

  • ایجاد سطل S3 از کنسول Creating the S3 Bucket from Console

  • راه اندازی AWS CLI Setting up the AWS CLI

  • ایجاد سطل از AWS CLI و رویدادهای چرخه زندگی Create Bucket from AWS CLI & Lifecycle Events

  • S3 - هوشمند Tiering Hands On S3 - Intelligent Tiering Hands On

  • پاکسازی - فعالیت 2 Cleanup - Activity 2

  • S3 - تکرار داده ها برای نقطه بازیابی S3 - Data Replication for Recovery Point

  • بهترین روش ها و دستورالعمل های امنیتی برای Amazon S3 Security Best Practices and Guidelines for Amazon S3

  • معرفی سرویس Amazon Kinesis Introduction to Amazon Kinesis Service

  • دریافت داده‌های جریانی با استفاده از Kinesis Stream - Hands On Ingest Streaming data using Kinesis Stream - Hands On

  • با Amazon Kinesis Data Streams- Hands On یک سیستم پخش بسازید Build a streaming system with Amazon Kinesis Data Streams- Hands On

  • پخش جریانی داده ها به Amazon S3 با استفاده از Kinesis Data Firehose - Hands On Streaming data to Amazon S3 using Kinesis Data Firehose - Hands On

  • دست در تولید تجزیه و تحلیل داده های Kinesis Hands On Generate Kinesis Data Analytics

  • با Amazon Kinesis Data Stream و Kinesis Agent کار کنید Work with Amazon Kinesis Data Stream and Kinesis Agent

  • آشنایی با چسب AWS Understanding AWS Glue

  • با استفاده از AWS Glue Crawlers ابرداده ها را کشف کنید Discover the Metadata using AWS Glue Crawlers

  • تبدیل داده ها با چسب AWS DataBrew Data Transformation wth AWS Glue DataBrew

  • ETL را در چسب با S3 انجام دهید Perform ETL in Glue with S3

  • درک آتنا Understanding Athena

  • جستجوی داده های S3 با استفاده از آمازون آتنا Querying S3 data using Amazon Athena

  • درک دسته AWS Understanding AWS Batch

  • مهندسی داده با AWS Step Data Engineering with AWS Step

  • کار با AWS Step Functions Working with AWS Step Functions

  • گردش کار بدون سرور را با AWS Step ایجاد کنید Create Serverless workflow with AWS Step

  • کار با حالت ها در تابع AWS Step Working with states in AWS Step function

  • یادگیری ماشین و توابع مرحله AWS Machine Learning and AWS Step Functions

  • مهندسی ویژگی با AWS Step و AWS Glue Feature Engineering with AWS Step and AWS Glue

  • خلاصه و موضوعات کلیدی برای تمرکز بر ماژول 1 Summary and Key topics to Focus on Module 1

دامنه 2: تجزیه و تحلیل داده های اکتشافی Domain 2 : Exploratory Data Analysis

  • دامنه 2 - فایل های پیوست Domain 2 - Hands On Attachment Files

  • مقدمه ای بر تحلیل داده های اکتشافی Introduction to Exploratory Data Analysis

  • دست در EDA Hands On EDA

  • انواع داده ها و تجزیه و تحلیل مربوطه Types of Data & the respective analysis

  • تحلیل آماری Statistical Analysis

  • آمار توصیفی - شناخت روشها Descriptive Statistics - Understanding the Methods

  • تعریف Outlier Definition of Outlier

  • دست در دست EDA - جمع آوری داده ها و ادغام داده ها EDA Hands on - Data Acquisition & Data Merging

  • EDA Hands on - تجزیه و تحلیل Outlier و تجزیه و تحلیل ارزش تکراری EDA Hands on - Outlier Analysis and Duplicate Value Analysis

  • تحلیل ارزش گمشده Missing Value Analysis

  • رفع خطاها/اشتباهات تایپی در مجموعه داده Fixing the Errors/Typos in dataset

  • تبدیل داده ها Data Transformation

  • برخورد با داده های طبقه بندی شده Dealing with Categorical Data

  • مقیاس بندی داده های عددی Scaling the Numerical data

  • روش های تجسم برای EDA Visualization Methods for EDA

  • مجموعه داده نامتعادل Imbalanced Dataset

  • کاهش ابعاد - PCA Dimensionality Reduction - PCA

  • کاهش ابعاد - LDA Dimensionality Reduction - LDA

  • آمازون QuickSight Amazon QuickSight

  • آپاچی اسپارک - EMR Apache Spark - EMR

دامنه 3: مدل سازی Domain 3 : Modelling

  • دامنه 3 - فایل های پیوست Hands On Domain 3 - Hands On Attachment files

  • مقدمه ای بر دامنه 3 - مدل سازی Introduction to Domain 3 - Modelling

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • رگرسیون خطی و توابع ارزیابی Linear Regression & Evaluation Functions

  • منظم سازی و مفروضات رگرسیون خطی Regularization and Assumptions of Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • گرادیان نزول Gradient Descent

  • پیاده سازی رگرسیون لجستیک و EDA Logistic Regression Implementation and EDA

  • معیارهای ارزیابی برای طبقه بندی Evaluation Metrics for Classification

  • الگوریتم های درخت تصمیم Decision Tree Algorithms

  • توابع از دست دادن درختان تصمیم Loss Functions of Decision Trees

  • پیاده سازی الگوریتم درخت تصمیم Decision Tree Algorithm Implementation

  • Overfit در مقابل Underfit - اعتبارسنجی Kfold Cross Overfit Vs Underfit - Kfold Cross validation

  • تکنیک های بهینه سازی فراپارامتر Hyperparameter Optimization Techniques

  • بررسی سریع در برنامه درسی Quick Check-in on the Syllabus

  • الگوریتم KNN KNN Algorithm

  • الگوریتم SVM SVM Algorithm

  • آموزش گروه - طبقه بندی رأی Ensemble Learning - Voting Classifier

  • آموزش گروهی - دسته‌بندی کیسه‌ای و جنگل تصادفی Ensemble Learning - Bagging Classifier & Random Forest

  • Ensemble Learning - تقویت Adabost و Gradient Boost Ensemble Learning - Boosting Adabost and Gradient Boost

  • Emsemble Learning XGBoost Emsemble Learning XGBoost

  • خوشه بندی - Kmeans Clustering - Kmeans

  • خوشه بندی - خوشه بندی سلسله مراتبی Clustering - Hierarchial Clustering

  • خوشه بندی - DBScan Clustering - DBScan

  • تجزیه و تحلیل سری زمانی Time Series Analysis

  • ARIMA Hands On ARIMA Hands On

  • توصیه آمازون شخصی سازی Reccommendation Amazon Personalize

  • مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

  • مقدمه ای بر تنسورفلو و ایجاد اولین شبکه عصبی Introduction to Tensorflow & Create first Neural Network

  • شهود آموزش یادگیری عمیق Intuition of Deep Learning Training

  • تابع فعال سازی Activation Function

  • معماری شبکه های عصبی Architecture of Neural Networks

  • آموزش مدل یادگیری عمیق. - دوره ها - اندازه دسته ای Deep Learning Model Training. - Epochs - Batch Size

  • تنظیم فراپارامتر در یادگیری عمیق Hyperparameter Tuning in Deep Learning

  • گرادیان های در حال انفجار و انفجار - مقداردهی اولیه، منظم سازی Vanshing & Exploding Gradients - Initializations, Regularizations

  • مقدمه ای بر شبکه های عصبی کانولوشنال Introduction to Convolutional Neural Networks

  • پیاده سازی CNN در مجموعه داده CatDog Implementation of CNN on CatDog Dataset

  • آموزش انتقال برای بینایی کامپیوتر Transfer Learning for Computer Vision

  • چالش های شبکه عصبی فید فوروارد Feed Forward Neural Network Challenges

  • RNN و انواع معماری RNN & Types of Architecture

  • معماری LSTM LSTM Architecture

  • مکانیسم توجه Attention Mechanism

  • انتقال یادگیری برای داده های زبان طبیعی Transfer Learning for Natural Language Data

  • مروری بر معماری ترانسفورماتور Transformer Architecture Overview

دامنه 4: پیاده سازی و عملیات یادگیری ماشین Domain 4 : Machine Learning Implementation and Operations

  • دامنه 4 - فایل های پیوست Domain 4 - Attachment Files

  • مقدمه ای بر دامنه 4 - پیاده سازی و عملیات یادگیری ماشین Introduction to Domain 4 - Machine Learning Implementation and Operations

  • AWS Lambda بدون سرور - قسمت 1 Serverless AWS Lambda - Part 1

  • مقدمه ای بر داکر و ایجاد فایل داکر Introduction to Docker & Creating the Dockerfile

  • AWS Lambda بدون سرور - قسمت 2 Serverless AWS Lambda - Part 2

  • ساعت ابری Cloudwatch

  • استقرار پایان به پایان با نقطه پایانی AWS Sagemaker End to End Deployment with AWS Sagemaker End Point

  • AWS Sagemaker JumpStart AWS Sagemaker JumpStart

  • AWS Polly AWS Polly

  • رونویسی AWS AWS Transcribe

  • AWS Lex AWS Lex

  • خطوط لوله بازآموزی Retrain Pipelines

  • نسب مدل در یادگیری ماشینی Model Lineage in Machine Learning

  • هوش مصنوعی آمازون افزوده شده است Amazon Augmented AI

  • کدگورو آمازون Amazon CodeGuru

  • Amazon Comprehend & Amazon Comprehend Medical Amazon Comprehend & Amazon Comprehend Medical

  • AWS DeepComposer AWS DeepComposer

  • AWS DeepLens AWS DeepLens

  • AWS DeepRacer AWS DeepRacer

  • گورو آمازون DevOps Amazon DevOps Guru

  • پیش بینی آمازون Amazon Forecast

  • ردیاب تقلب آمازون Amazon Fraud Detector

  • آمازون سلامت دریاچه Amazon HealthLake

  • آمازون کندرا Amazon Kendra

  • آمازون مواظب تجهیزات، متریک و چشم انداز است Amazon Lookout for equipment , Metrics & Vision

  • آمازون مونیترون Amazon Monitron

  • پانوراما AWS AWS Panorama

  • شناسایی آمازون Amazon Rekognition

  • ترجمه آمازون Amazon Translate

  • متن آمازون Amazon Textract

  • مراحل بعدی Next Steps

یادگیری ماشینی برای پروژه ها Machine Learning for Projects

  • فایل های استقرار ML ML Deployment Files

  • استقرار یادگیری ماشین قسمت 1 - آماده سازی مدل - پایان تا پایان Machine learning Deployment Part 1 - Model Prep - End to End

  • استقرار یادگیری ماشین قسمت 2 - استقرار برنامه Flask - End to End Machine learning Deployment Part 2 - Deploy Flask App - End to End

  • آموزش Streamlit Streamlit Tutorial

موضوعات اختیاری برای یادگیری اضافی - تجزیه و تحلیل متن Optional Topics for Additional Learning - Text Analytics

  • به فراگیران در این بخش توجه داشته باشید Note to Learners on this section

  • پیوست برای خط لوله NLP Attachment for NLP Pipeline

  • خط لوله NLP NLP Pipeline

  • استخراج داده ها و تمیز کردن متن به صورت دستی انجام می شود Data Extraction and Text Cleaning hands On

  • آشنایی با کتابخانه NLTK Introduction to NLTK library

  • توکن سازی، بیگرام ها، تری گرام ها و N گرم - دست روی دست Tokenization , bigrams, trigrams, and N gram - Hands on

  • برچسب گذاری POS و توقف حذف کلمات POS Tagging & Stop Words Removal

  • ریشه یابی و لماتی سازی Stemming & Lemmatization

  • ابهام NER و Wordsense NER and Wordsense Ambiguation

  • مقدمه ای بر Spacy Library Introduction to Spacy Library

  • دست در فضایی Hands On Spacy

  • خلاصه Summary

  • پیوست NLP 2 NLP Attachment 2

  • وکتور نمایش متن - یک کدگذاری داغ Vector Representation of Text - One Hot Encoding

  • درک تکنیک BoW Understanding BoW Technique

  • تعظیم دست در BoW Hands On

  • نمایش متن: TF-IDF Text Representation : TF-IDF

  • TF-IDF Hands On TF-IDF Hands On

  • مقدمه ای بر جاسازی ورد Introduction to Word Embeddings

  • TF-IDF Hands On TF-IDF Hands On

  • درک اهمیت بردارها - شهود Understanding the Importance of Vectors - Intuition

  • Hands On Word Embeddings - استفاده از مدل های از پیش آموزش دیده Hands On Word Embeddings - Usage of Pre-trained models

  • Skip-gram Word Embeddings - Understanding Data Preperation Skip-gram Word Embeddings - Understanding Data Preperation

  • از معماری مدل گرام بگذرید Skip Gram Model Architecture

  • اجرای Gram را از ابتدا رد کنید Skip Gram Implementation from Scratch

  • معماری مدل CBOW و Hands On CBOW Model Architecture & Hands On

  • فراپارامترها - نمونه گیری منفی و نمونه گیری فرعی Hyperparameters - Negative Sampling and Sub Sampling

  • تفاوت عملی بین CBOW و Skip-gram Practical Difference between CBOW and Skip-gram

موضوعات اختیاری برای یادگیری اضافی - آمار استنباطی Optional Topics for Additional Learning - Inferential Statistics

  • کد منبع برای آمار استنباطی Source code for Inferential Statistics

  • مقدمه ای بر آمار استنباطی Introduction to Inferential Statistics

  • اصطلاحات کلیدی آمار استنباطی Key Terminology of Inferential Statistics

  • دست در دست - جمعیت و نمونه Hands On - Population & Sample

  • انواع استنتاج آماری Types of Statistical Inference

  • فاصله اطمینان - حاشیه خطا - تخمین فاصله اطمینان - ساختار Confidence Interval - Margin of Error - Confidence Interval Estimation - Constru

  • نسخه ی نمایشی - حاشیه خطا و فاصله اطمینان Demo - Margin of Error and Confidence Interval

  • آزمون فرضیه و مراحل آزمون فرضیه Hypothesis Testing & Steps of Hypothesis testing

  • ZTest و مثال مشکل ZTest and Example Problem

  • راه حل ZTest دست در دست است ZTest Solution Hands On

ضمیمه - سایر مراجع برای فراگیران APPENDIX - Other References for Learners

  • حساب AWS ایجاد کنید Create AWS Account

  • راه اندازی MFA در حساب ریشه Setting up MFA on Root Account

  • حساب IAM و نام مستعار حساب ایجاد کنید Create IAM Account and Account Alias

  • راه اندازی CLI با اعتبار Setup CLI with Credentials

  • سیاست IAM IAM Policy

  • مولد سیاست IAM و پیوست IAM Policy generator & attachment

  • کاربر IAM را حذف کنید Delete the IAM User

  • معرفی نمونه های EC2 Introduction EC2 instances

  • نمونه EC2 و SSH را در نمونه های EC2 راه اندازی کنید Launch EC2 instance & SSH into EC2 Instances

  • پاکسازی منابع Clean Up of Resources

  • نصب داکر Installation of Docker

  • مبانی لینوکس Linux Basics

  • توصیه های آموزشی اضافی Additional Learning Recommendations

  • MLO با MLFlow MLOps with MLFlow

  • معرفی دوره MLOps Course Intro to MLOps

نمایش نظرات

آموزش AWS دارای گواهی یادگیری ماشین - تخصص (MLS-C01) - 2023
جزییات دوره
36 hours
187
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
465
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Manifold AI Learning ® Manifold AI Learning ®

آینده را بیاموزید - علم داده، یادگیری ماشین و هوش مصنوعی