آموزش یادگیری ماشین بدون سرور با Tensorflow در Google Cloud Platform

Serverless Machine Learning with Tensorflow on Google Cloud Platform

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره نحوه ساخت، مقیاس و عملیاتی کردن مدل‌های یادگیری ماشین را در Google Cloud Platform پوشش می‌دهد. شما مدل‌های ML را با TensorFlow، یک بسته ML منبع باز، می‌سازید و می‌توانید با استفاده از Cloud ML Engine، آنها را به روشی بدون سرور آموزش دهید و به کار ببرید. این دوره نحوه ساخت، مقیاس‌بندی و عملیاتی کردن مدل‌های یادگیری ماشین در Google Cloud Platform را پوشش می‌دهد. در GCP، مدل‌های ML را با TensorFlow، یک بسته ML منبع باز، می‌سازید و می‌توانید با استفاده از Cloud ML Engine، آنها را به روشی بدون سرور آموزش دهید و مستقر کنید.

سرفصل ها و درس ها

به یادگیری ماشین بدون سرور در Google Cloud Platform خوش آمدید Welcome to Serverless Machine Learning on Google Cloud Platform

  • به دوره خوش آمدید Welcome to the Course

  • چگونه به یادگیری ماشین فکر کنیم How to Think About Machine Learning

شروع کار با یادگیری ماشینی Getting Started with Machine Learning

  • یادگیری ماشینی (ML) چیست؟ What is Machine Learning (ML)?

  • انواع ML Types of ML

  • خط لوله ML The ML Pipeline

  • انواع مدل ML Variants of ML model

  • قاب کردن یک مشکل ML Framing a ML problem

  • بازی با یادگیری ماشینی (ML) Playing with Machine Learning (ML)

  • بهينه سازي Optimization

  • زمین بازی شبکه عصبی A Neural Network Playground

  • ترکیب ویژگی ها Combining Features

  • مهندسی ویژگی Feature Engineering

  • مدل های تصویری Image Models

  • ML موثر Effective ML

  • یک مجموعه داده خوب چیست؟ What makes a good dataset?

  • معیارهای خطا Error Metrics

  • دقت Accuracy

  • دقت و یادآوری Precision and Recall

  • ایجاد مجموعه داده های یادگیری ماشینی Creating Machine Learning Datasets

  • تقسیم مجموعه داده Splitting Dataset

  • نوت بوک پایتون Python Notebooks

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • نمای کلی آزمایشگاه ML Datasets را ایجاد کنید Create ML Datasets Lab Overview

  • یادگیری ماشین بدون سرور - آزمایشگاه 1: ایجاد مجموعه داده های ML نسخه 1.3 Serverless Machine Learning - Lab 1 : Create ML datasets v1.3

  • بررسی آزمایشگاه ML Datasets را ایجاد کنید Create ML Datasets Lab Review

ساخت مدل های ML با تنسورفلو Building ML models with Tensorflow

  • بررسی اجمالی Overview

  • TensorFlow چیست؟ What is TensorFlow?

  • هسته TensorFlow Core TensorFlow

  • شروع به کار با نمای کلی آزمایشگاه تنسورفلو Getting Started with TensorFlow Lab Overview

  • یادگیری ماشین بدون سرور - آزمایشگاه 2: شروع به کار با TensorFlow نسخه 1.3 Serverless Machine Learning - Lab 2 : Getting Started with TensorFlow v1.3

  • بررسی آزمایشگاه تنسورفلو TensorFlow Lab Review

  • تخمینگر API Estimator API

  • یادگیری ماشین با tf.estimator Machine Learning with tf.estimator

  • یادگیری ماشین بدون سرور - آزمایشگاه 3: یادگیری ماشین با استفاده از tf.estimator نسخه 1.3 Serverless Machine Learning - Lab 3 : Machine Learning using tf.estimator v1.3

  • بررسی آزمایشگاه برآوردگر Estimator Lab Review

  • ساخت ML موثر Building Effective ML

  • Lab Intro: Refactoring برای افزودن دسته بندی و ایجاد ویژگی Lab Intro:Refactoring to add batching and feature creation

  • یادگیری ماشین بدون سرور - Lab 4: Refactoring برای افزودن دسته بندی و ایجاد ویژگی نسخه 1.3 Serverless Machine Learning - Lab 4 : Refactoring to add batching and feature-creation v1.3

  • بررسی آزمایشگاه Refactoring Refactoring Lab Review

  • آموزش دهید و ارزیابی کنید Train and Evaluate

  • نظارت بر Monitoring

  • معرفی آزمایشگاه: آموزش و نظارت توزیع شده Lab Intro:Distributed Training and Monitoring

  • یادگیری ماشین بدون سرور - آزمایشگاه 5: آموزش و نظارت توزیع شده نسخه 1.3 Serverless Machine Learning - Lab 5 : Distributed training and monitoring v1.3

  • بررسی آزمایشگاهی: آموزش و نظارت توزیع شده Lab Review:Distributed Training and Monitoring

مقیاس بندی مدل های ML با Cloud ML Engine Scaling ML models with Cloud ML Engine

  • بررسی اجمالی Overview

  • چرا Cloud ML Engine Why Cloud ML Engine

  • گردش کار توسعه Development Workflow

  • مربی بسته بندی Packaging trainer

  • سرویس TensorFlow TensorFlow Serving

  • آزمایشگاه: افزایش مقیاس ML Lab:Scaling up ML

  • یادگیری ماشین بدون سرور - آزمایشگاه 6: افزایش مقیاس ML با استفاده از Cloud ML Engine نسخه 1.3 Serverless Machine Learning - Lab 6 : Scaling up ML using Cloud ML Engine v1.3

  • بررسی آزمایشگاهی: افزایش مقیاس ML Lab Review:Scaling up ML

مهندسی ویژگی Feature Engineering

  • بررسی اجمالی Overview

  • ویژگی های خوب Good Features

  • تصادفی Casuality

  • عددی Numeric

  • به اندازه کافی مثال Enough Examples

  • داده های خام به ویژگی ها Raw data to features

  • ویژگی های دسته بندی Categorical features

  • صلیب های ویژه Feature crosses

  • سطل سازی Bucketizing

  • گسترده و عمیق Wide and Deep

  • کجا می توان مهندسی ویژگی را انجام داد Where to do feature engineering

  • بررسی اجمالی آزمایشگاه مهندسی ویژگی Feature Engineering Lab Overview

  • یادگیری ماشین بدون سرور - آزمایشگاه 7: مهندسی ویژگی نسخه 1.3 Serverless Machine Learning - Lab 7 : Feature Engineering v1.3

  • بررسی ویژگی های آزمایشگاه مهندسی Feature Engineering Lab Review

  • تنظیم فراپارامتر + نسخه ی نمایشی Hyperparameter Tuning + Demo

  • سطوح انتزاع ML ML Abstraction Levels

  • خلاصه Summary

نمایش نظرات

آموزش یادگیری ماشین بدون سرور با Tensorflow در Google Cloud Platform
جزییات دوره
5h 13m
69
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.