آموزش AWS SageMaker کاربردی برای مبتدیان | ساخت 6 پروژه

AWS SageMaker Practical for Beginners | Build 6 Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بر الگوریتم‌های AWS SageMaker (Linear Learner، XGBoost، PCA، طبقه‌بندی تصویر) مسلط شوید و SageMaker Studio و AutoML را آموزش دهید و مدل‌های AI/ML را با استفاده از AWS SageMaker بهینه کنید پارامترهای مدل را با استفاده از جستجوی بهینه‌سازی فراپارامترها بهینه کنید. توسعه، آموزش، آزمایش و استقرار مدل رگرسیون خطی برای پیش‌بینی. استقرار مدل رگرسیون چند جمله ای سطح تولید برای پیش بینی فروش فروشگاه بر اساس ویژگی های داده شده. برای انجام طبقه بندی تصاویر، یک مدل مبتنی بر یادگیری عمیق توسعه دهید. مدل های پیش بینی سری های زمانی را برای پیش بینی قیمت محصولات آینده با استفاده از DeepAR ایجاد کنید. با استفاده از SageMaker مدل تجزیه و تحلیل احساسات را توسعه و استقرار دهید. استقرار مدل NLP آموزش دیده و تعامل/پیش بینی با استفاده از API امن. آموزش و ارزیابی مدل تشخیص شیء با استفاده از الگوریتم های داخلی SageMaker. پیش نیازها: دانش پایه برنامه نویسی دانش پایه در AWS دانش پایه در یادگیری ماشین

# به‌روزرسانی 22/04/2021 - یک مطالعه موردی جدید در AWS SageMaker Autopilot اضافه شد.

# به‌روزرسانی 23/04/2021 - اسکریپت‌های کد به‌روزرسانی شده و باگ‌های Q A آدرس‌دهی شده است.

ماشین و یادگیری عمیق داغ ترین موضوعات در فناوری هستند! زمینه های مختلف تکنیک های ML و DL را اتخاذ کرده اند، از بانکداری تا مراقبت های بهداشتی، حمل و نقل تا فناوری.

AWS یکی از پرکاربردترین پلتفرم‌های رایانش ابری ML در سراسر جهان است – چندین شرکت Fortune 500 برای عملیات تجاری خود به AWS وابسته هستند.

SageMaker یک سرویس کاملاً مدیریت شده در AWS است که به دانشمندان داده و متخصصان هوش مصنوعی اجازه می‌دهد تا مدل‌های AI/ML را به سرعت و کارآمد آموزش، آزمایش و استقرار دهند.

در این دوره، دانش‌آموزان نحوه ایجاد مدل‌های AI/ML با استفاده از AWS SageMaker را خواهند آموخت.

پروژه ها موضوعات مختلفی از تجارت، مراقبت های بهداشتی و فناوری را پوشش خواهند داد. در این دوره، دانش‌آموزان می‌توانند به صورت عملی بر بسیاری از موضوعات تسلط پیدا کنند، مانند: (1) مهندسی داده و مهندسی ویژگی، (2) انتخاب مدل‌های AI/ML، (3) انتخاب الگوریتم AWS SageMaker مناسب برای حل مشکلات تجاری، (4) ساخت، آموزش و استقرار مدل‌های AI/ML، (5) بهینه‌سازی مدل و تنظیم فراپارامترها.


این دوره موضوعات بسیاری مانند مهندسی داده، خدمات و الگوریتم‌های AWS و اصول یادگیری عمیق ماشینی را به صورت عملی پوشش می‌دهد:

  • مهندسی داده: انواع داده، کتابخانه های کلیدی پایتون (pandas، Numpy، scikit Learn، MatplotLib و Seaborn)، توزیع داده ها و مهندسی ویژگی (انتخاب، binning، رمزگذاری، و عادی سازی).

  • خدمات و الگوریتم‌های AWS: Amazon SageMaker، Linear Learner (Regression/Classification)، سرویس‌های ذخیره‌سازی Amazon S3، درخت‌های تقویت‌شده گرادیان (XGBoost)، طبقه‌بندی تصویر، تجزیه و تحلیل مؤلفه‌های اصلی (PCA)، SageMaker Studio و AutoML.

  • مبانی یادگیری ماشینی و عمیق: انواع شبکه‌های عصبی مصنوعی (ANN) مانند شبکه‌های عصبی پیش‌خور، شبکه‌های عصبی کانولوشنال (CNN)، توابع فعال‌سازی (سیگموید، RELU و تانژانت هذلولی)، استراتژی‌های آموزشی یادگیری ماشین (نظارت‌شده/بدون نظارت)، الگوریتم نزول گرادیان، نرخ یادگیری، انتشار پس‌انداز، بایاس، واریانس، مبادله بایاس واریانس، منظم‌سازی (L1 و L2)، برازش بیش از حد، حذف، آشکارسازهای ویژگی، ادغام، عادی‌سازی دسته‌ای، مشکل گرادیان ناپدید، ماتریس سردرگمی، دقت، یادآوری، امتیاز F1، ریشه میانگین مربعات خطا (RMSE)، یادگیری مجموعه، درخت تصمیم و جنگل تصادفی.


ما طیف وسیعی از ابزارهای ML و DL SageMaker را با پروژه‌های مبتنی بر تمرین آموزش می‌دهیم. بررسی کنید:

  • پروژه شماره 1: آموزش، آزمایش و استقرار مدل رگرسیون ساده برای پیش بینی حقوق کارکنان با استفاده از AWS SageMaker Linear Learner

  • پروژه شماره 2: آموزش، آزمایش و استقرار یک مدل یادگیری ماشینی رگرسیون خطی چندگانه برای پیش‌بینی حق بیمه پزشکی.

  • پروژه شماره 3: آموزش، آزمایش و استقرار مدلی برای پیش بینی فروش خرده فروشی با استفاده از رگرسیون XGboost و بهینه سازی فراپارامترهای مدل با استفاده از ابزار تنظیم Hyperparameters SageMaker.

  • پروژه شماره 4: کاهش ابعاد را با استفاده از الگوریتم PCA داخلی SageMaker انجام دهید و یک مدل طبقه‌بندی کننده برای پیش‌بینی بیماری‌های قلبی عروقی با استفاده از مدل طبقه‌بندی XGBoost بسازید.

  • پروژه شماره 5: یک مدل طبقه بندی کننده علائم ترافیکی با استفاده از Sagemaker و Tensorflow ایجاد کنید.

  • پروژه شماره 6: غواصی عمیق در AWS SageMaker Studio، AutoML و اشکال زدایی مدل.

این دوره برای توسعه دهندگان مبتدی و دانشمندان داده که می خواهند درک اساسی از AWS SageMaker و حل مسائل چالش برانگیز دنیای واقعی را به دست آورند، هدف گذاری شده است. دانش اولیه یادگیری ماشین، برنامه نویسی پایتون و ابر AWS توصیه می شود. در اینجا لیستی از افرادی که این دوره آموزشی برای آنها برگزار می شود آمده است:

  • مبتدیان علوم داده که می خواهند شغل خود را پیش ببرند و نمونه کار خود را بسازند.

  • مشاوران باتجربه که می‌خواهند با استفاده از AI/ML با استفاده از SageMaker، کسب‌وکارها را متحول کنند.

  • علاقه مندان به فناوری که علاقه زیادی به هوش مصنوعی علم داده دارند و می خواهند با استفاده از AWS SageMaker تجربه عملی کسب کنند.

امروز ثبت نام کنید و مشتاقانه منتظر حضور شما هستم.


سرفصل ها و درس ها

مقدمه، نکات موفقیت و بهترین شیوه ها و نتایج کلیدی یادگیری Introduction, Success Tips & Best Practices and Key Learning Outcomes

  • معرفی دوره و پیام خوش آمد گویی Course Introduction and Welcome Message

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • نکات کلیدی دوره و بهترین شیوه ها Course Key Tips and Best Practices

  • نکات کلیدی دوره و بهترین شیوه ها Course Key Tips and Best Practices

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • جایزه: مسیر یادگیری BONUS: Learning Path

مقدمه، نکات موفقیت و بهترین شیوه ها و نتایج کلیدی یادگیری Introduction, Success Tips & Best Practices and Key Learning Outcomes

  • معرفی دوره و پیام خوش آمد گویی Course Introduction and Welcome Message

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • جایزه: مسیر یادگیری BONUS: Learning Path

مقدمه ای بر AI/ML، AWS و Cloud Computing Introduction to AI/ML, AWS and Cloud Computing

  • تنظیم و بررسی اجمالی حساب ردیف رایگان AWS AWS Free Tier Account Setup and Overview

  • تنظیم و بررسی اجمالی حساب ردیف رایگان AWS AWS Free Tier Account Setup and Overview

  • مقدمه ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق Introduction to AI, Machine Learning and Deep Learning

  • مقدمه ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق - قسمت شماره 2 Introduction to AI, Machine Learning and Deep Learning - Part #2

  • مقدمه ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق - قسمت شماره 2 Introduction to AI, Machine Learning and Deep Learning - Part #2

  • داده های خوب در مقابل داده های بد Good Data Vs. Bad Data

  • داده های خوب در مقابل داده های بد Good Data Vs. Bad Data

  • مقدمه ای بر AWS و رایانش ابری Introduction to AWS and Cloud Computing

  • اجزای اصلی یادگیری ماشین و تور کنسول مدیریت AWS Key Machine Learning Components and AWS Management Console Tour

  • مناطق AWS و مناطق در دسترس AWS Regions and Availability Zones

  • مناطق AWS و مناطق در دسترس AWS Regions and Availability Zones

  • آمازون S3 Amazon S3

  • آمازون EC2 و IAM Amazon EC2 and IAM

  • بررسی اجمالی AWS SageMaker AWS SageMaker Overview

  • AWS SageMaker Walkthrough AWS SageMaker Walk-through

  • نمای کلی AWS SageMaker Studio AWS SageMaker Studio Overview

  • نمای کلی AWS SageMaker Studio AWS SageMaker Studio Overview

  • AWS SageMaker Studio Walk-through AWS SageMaker Studio Walk-through

  • AWS SageMaker Studio Walk-through AWS SageMaker Studio Walk-through

  • استقرار مدل های SageMaker SageMaker Models Deployment

  • استقرار مدل های SageMaker SageMaker Models Deployment

مقدمه ای بر AI/ML، AWS و Cloud Computing Introduction to AI/ML, AWS and Cloud Computing

  • مقدمه ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق Introduction to AI, Machine Learning and Deep Learning

  • مقدمه ای بر AWS و رایانش ابری Introduction to AWS and Cloud Computing

  • اجزای اصلی یادگیری ماشین و تور کنسول مدیریت AWS Key Machine Learning Components and AWS Management Console Tour

  • آمازون S3 Amazon S3

  • آمازون EC2 و IAM Amazon EC2 and IAM

  • بررسی اجمالی AWS SageMaker AWS SageMaker Overview

  • AWS SageMaker Walkthrough AWS SageMaker Walk-through

پروژه شماره 1 - پیش بینی حقوق کارمندان با استفاده از AWS SageMaker Linear Learner Project #1 - Employee Salary Predictions Using AWS SageMaker Linear Learner

  • بررسی اجمالی پروژه Project Overview

  • شهود رگرسیون خطی ساده Simple Linear Regression Intuition

  • شهود رگرسیون خطی ساده Simple Linear Regression Intuition

  • حداقل مجموع مربع ها Least Sum of Squares

  • بررسی اجمالی یادگیرنده خطی AWS SageMaker AWS SageMaker Linear Learner Overview

  • بررسی اجمالی یادگیرنده خطی AWS SageMaker AWS SageMaker Linear Learner Overview

  • کدنویسی Task #1A - Instantiate AWS SageMaker Notebook Instance (روش شماره 1) Coding Task #1A - Instantiate AWS SageMaker Notebook Instance (Method #1)

  • وظیفه کدنویسی شماره 1B - با استفاده از AWS SageMaker Studio (روش شماره 2) Coding Task #1B - Using AWS SageMaker Studio (Method #2)

  • وظیفه کدنویسی شماره 1B - با استفاده از AWS SageMaker Studio (روش شماره 2) Coding Task #1B - Using AWS SageMaker Studio (Method #2)

  • وظیفه کدگذاری شماره 2 - وارد کردن کتابخانه های کلیدی و مجموعه داده ها Coding Task #2 - Import Key libraries and dataset

  • وظیفه کدگذاری شماره 2 - وارد کردن کتابخانه های کلیدی و مجموعه داده ها Coding Task #2 - Import Key libraries and dataset

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدگذاری شماره 4 - مجموعه داده های آموزشی و آزمایشی ایجاد کنید Coding Task #4 - Create Training and Testing Dataset

  • کدنویسی کار شماره 5 - آموزش یک مدل رگرسیون خطی در SkLearn Coding Task #5 - Train a Linear Regression Model in SkLearn

  • وظیفه کدنویسی شماره 6 - عملکرد مدل آموزش دیده را ارزیابی کنید Coding Task #6 - Evaluate Trained Model Performance

  • وظیفه کدنویسی شماره 6 - عملکرد مدل آموزش دیده را ارزیابی کنید Coding Task #6 - Evaluate Trained Model Performance

  • وظیفه کدنویسی شماره 7 - آموزش یک مدل یادگیری خطی در AWS SageMaker Coding Task #7 - Train a Linear Learner Model in AWS SageMaker

  • کدنویسی کار شماره 8 - استقرار مدل و فراخوانی نقطه پایانی در SageMaker Coding Task #8 - Deploy Model & invoke endpoint in SageMaker

  • کدنویسی کار شماره 8 - استقرار مدل و فراخوانی نقطه پایانی در SageMaker Coding Task #8 - Deploy Model & invoke endpoint in SageMaker

پروژه شماره 1 - پیش بینی حقوق کارمندان با استفاده از AWS SageMaker Linear Learner Project #1 - Employee Salary Predictions Using AWS SageMaker Linear Learner

  • بررسی اجمالی پروژه Project Overview

  • حداقل مجموع مربع ها Least Sum of Squares

  • کدنویسی Task #1A - Instantiate AWS SageMaker Notebook Instance (روش شماره 1) Coding Task #1A - Instantiate AWS SageMaker Notebook Instance (Method #1)

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدگذاری شماره 4 - مجموعه داده های آموزشی و آزمایشی ایجاد کنید Coding Task #4 - Create Training and Testing Dataset

  • کدنویسی کار شماره 5 - آموزش یک مدل رگرسیون خطی در SkLearn Coding Task #5 - Train a Linear Regression Model in SkLearn

پروژه شماره 2 - پیش بینی حق بیمه بیمه پزشکی Project #2 - Medical Insurance Premium Prediction

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • شهود رگرسیون خطی چندگانه Multiple Linear Regression Intuition

  • معیارهای رگرسیون و KPI - RMSE، MSE، MAE، MAPE Regression Metrics and KPIs - RMSE, MSE, MAE, MAPE

  • معیارهای رگرسیون و KPI - R2 و R2 تنظیم شده Regression Metrics and KPIs - R2 and Adjusted R2

  • کدنویسی کار شماره 1 و شماره 2 - وارد کردن مجموعه داده و کتابخانه های کلیدی Coding Task #1 & #2 - Import Dataset and Key Libraries

  • کدنویسی کار شماره 1 و شماره 2 - وارد کردن مجموعه داده و کتابخانه های کلیدی Coding Task #1 & #2 - Import Dataset and Key Libraries

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدگذاری شماره 4 - تجسم داده ها را انجام دهید Coding Task #4 - Perform Data Visualization

  • وظیفه کدگذاری شماره 4 - تجسم داده ها را انجام دهید Coding Task #4 - Perform Data Visualization

  • وظیفه کدنویسی شماره 5 - مجموعه داده های آموزشی و آزمایشی ایجاد کنید Coding Task #5 - Create Training and Testing Datasets

  • وظیفه کدنویسی شماره 5 - مجموعه داده های آموزشی و آزمایشی ایجاد کنید Coding Task #5 - Create Training and Testing Datasets

  • وظیفه کدنویسی شماره 6 - یک مدل یادگیری ماشینی را به صورت محلی آموزش دهید Coding Task #6 - Train a Machine Learning Model Locally

  • وظیفه کدنویسی شماره 7 - آموزش یک مدل یادگیری خطی در AWS SageMaker Coding Task #7 - Train a Linear Learner Model in AWS SageMaker

  • وظیفه کدنویسی شماره 7 - آموزش یک مدل یادگیری خطی در AWS SageMaker Coding Task #7 - Train a Linear Learner Model in AWS SageMaker

  • وظیفه کدنویسی شماره 8 - مدل آموزش دیده را مستقر کرده و نقطه پایانی را فراخوانی کنید Coding Task #8 - Deploy Trained Model and Invoke Endpoint

  • شبکه های عصبی مصنوعی برای وظایف رگرسیون Artificial Neural Networks for Regression Tasks

  • توابع فعال سازی - Sigmoid، RELU و Tanh Activation Functions - Sigmoid, RELU and Tanh

  • توابع فعال سازی - Sigmoid، RELU و Tanh Activation Functions - Sigmoid, RELU and Tanh

  • شبکه های پرسپترون چند لایه Multilayer Perceptron Networks

  • شبکه های پرسپترون چند لایه Multilayer Perceptron Networks

  • شبکه های عصبی مصنوعی چگونه آموزش می بینند؟ How do Artificial Neural Networks Train?

  • الگوریتم گرادیان نزول Gradient Descent Algorithm

  • الگوریتم گرادیان نزول Gradient Descent Algorithm

  • الگوریتم پس انتشار Backpropagation Algorithm

  • وظیفه کدگذاری شماره 9 - شبکه های عصبی مصنوعی را برای وظایف رگرسیونی آموزش دهید Coding Task #9 - Train Artificial Neural Networks for Regression Tasks

  • وظیفه کدگذاری شماره 9 - شبکه های عصبی مصنوعی را برای وظایف رگرسیونی آموزش دهید Coding Task #9 - Train Artificial Neural Networks for Regression Tasks

پروژه شماره 2 - پیش بینی حق بیمه بیمه پزشکی Project #2 - Medical Insurance Premium Prediction

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • شهود رگرسیون خطی چندگانه Multiple Linear Regression Intuition

  • معیارهای رگرسیون و KPI - RMSE، MSE، MAE، MAPE Regression Metrics and KPIs - RMSE, MSE, MAE, MAPE

  • معیارهای رگرسیون و KPI - R2 و R2 تنظیم شده Regression Metrics and KPIs - R2 and Adjusted R2

  • وظیفه کدگذاری شماره 3 - تجزیه و تحلیل داده های اکتشافی را انجام دهید Coding Task #3 - Perform Exploratory Data Analysis

  • وظیفه کدنویسی شماره 6 - یک مدل یادگیری ماشینی را به صورت محلی آموزش دهید Coding Task #6 - Train a Machine Learning Model Locally

  • وظیفه کدنویسی شماره 7 - آموزش یک مدل یادگیری خطی در AWS SageMaker Coding Task #7 - Train a Linear Learner Model in AWS SageMaker

  • وظیفه کدنویسی شماره 8 - مدل آموزش دیده را مستقر کرده و نقطه پایانی را فراخوانی کنید Coding Task #8 - Deploy Trained Model and Invoke Endpoint

  • شبکه های عصبی مصنوعی برای وظایف رگرسیون Artificial Neural Networks for Regression Tasks

  • شبکه های عصبی مصنوعی چگونه آموزش می بینند؟ How do Artificial Neural Networks Train?

  • الگوریتم پس انتشار Backpropagation Algorithm

پروژه شماره 3 - پیش بینی فروش خرده فروشی با استفاده از AWS SageMaker XGBoost (رگرسیون) Project #3 - Retail Sales Prediction Using AWS SageMaker XGBoost (Regression)

  • مقدمه ای بر مطالعه موردی Introduction to Case Study

  • مبانی: تفاوت بین Bias و Variance چیست Basics: What is the difference between Bias & Variance

  • مبانی: تفاوت بین Bias و Variance چیست Basics: What is the difference between Bias & Variance

  • اصول اولیه: L1 & L2 Regularization - قسمت #1 Basics: L1 & L2 Regularization - Part #1

  • اصول اولیه: L1 & L2 Regularization - قسمت #1 Basics: L1 & L2 Regularization - Part #1

  • اصول اولیه: L1 & L2 Regularization - قسمت #2 Basics: L1 & L2 Regularization - Part #2

  • مقدمه ای بر الگوریتم XGBoost (تقویت گرادیان شدید). Introduction to XGBoost (Extreme Gradient Boosting) algorithm

  • مقدمه ای بر الگوریتم XGBoost (تقویت گرادیان شدید). Introduction to XGBoost (Extreme Gradient Boosting) algorithm

  • تقویت چیست؟ What is Boosting?

  • درختان تصمیم و یادگیری گروه Decision Trees and Ensemble Learning

  • درختان تقویت شده با گرادیان - شیرجه عمیق - قسمت شماره 1 Gradient Boosted Trees - Deep Dive - Part #1

  • درختان تقویت شده با گرادیان - شیرجه عمیق - قسمت شماره 2 Gradient Boosted Trees - Deep Dive - Part #2

  • الگوریتم AWS SageMaker XGBoost AWS SageMaker XGBoost Algorithm

  • الگوریتم AWS SageMaker XGBoost AWS SageMaker XGBoost Algorithm

  • معرفی پروژه و نمونه سازی نوت بوک Project Introduction and Notebook Instance Instantiation

  • وظیفه کدنویسی شماره 1 #2 #3 - مجموعه داده/کتابخانه ها را بارگیری کنید و کاوش داده ها را انجام دهید Coding Task #1 #2 #3 - Load Dataset/Libraries and Perform Data Exploration

  • وظیفه کدنویسی شماره 1 #2 #3 - مجموعه داده/کتابخانه ها را بارگیری کنید و کاوش داده ها را انجام دهید Coding Task #1 #2 #3 - Load Dataset/Libraries and Perform Data Exploration

  • کدنویسی کار شماره 4 - ادغام و دستکاری DataFrame با استفاده از پانداها Coding Task #4 - Merge and Manipulate DataFrame Using Pandas

  • کدنویسی کار شماره 4 - ادغام و دستکاری DataFrame با استفاده از پانداها Coding Task #4 - Merge and Manipulate DataFrame Using Pandas

  • وظیفه کدنویسی شماره 5 - مجموعه داده های ادغام شده را کاوش کنید Coding Task #5 - Explore Merged Datasets

  • وظیفه کدنویسی شماره 5 - مجموعه داده های ادغام شده را کاوش کنید Coding Task #5 - Explore Merged Datasets

  • وظیفه کدنویسی شماره 6 شماره 7 - مجموعه داده را تجسم کنید Coding Task #6 #7 - Visualize Dataset

  • وظیفه کدنویسی شماره 8 - داده ها را برای انجام آموزش آماده کنید Coding Task #8 - Prepare the Data To Perform Training

  • وظیفه کدنویسی شماره 9 - XGBoost را به صورت محلی آموزش دهید Coding Task #9 - Train XGBoost Locally

  • وظیفه کدنویسی شماره 10 - XGBoost را با استفاده از SageMaker آموزش دهید Coding Task #10 - Train XGBoost Using SageMaker

  • وظیفه کدنویسی شماره 10 - XGBoost را با استفاده از SageMaker آموزش دهید Coding Task #10 - Train XGBoost Using SageMaker

  • کدنویسی کار شماره 11 - نقطه پایانی XGBoost را مستقر کرده و پیش بینی کنید Coding Task #11 - Deploy XGBoost endpoint and Make Predictions

  • وظیفه کدگذاری شماره 12 - تنظیم فراپارامترها را انجام دهید Coding Task #12 - Perform Hyperparameters Tuning

  • وظیفه کدگذاری شماره 12 - تنظیم فراپارامترها را انجام دهید Coding Task #12 - Perform Hyperparameters Tuning

  • کدنویسی کار شماره 13 - مدل را با استفاده از بهترین (بهینه) فراپارامترها آموزش دهید Coding Task #13 - Retrain the Model Using best (optimized) Hyperparameters

  • کدنویسی کار شماره 13 - مدل را با استفاده از بهترین (بهینه) فراپارامترها آموزش دهید Coding Task #13 - Retrain the Model Using best (optimized) Hyperparameters

پروژه شماره 3 - پیش بینی فروش خرده فروشی با استفاده از AWS SageMaker XGBoost (رگرسیون) Project #3 - Retail Sales Prediction Using AWS SageMaker XGBoost (Regression)

  • مقدمه ای بر مطالعه موردی Introduction to Case Study

  • اصول اولیه: L1 & L2 Regularization - قسمت #2 Basics: L1 & L2 Regularization - Part #2

  • تقویت چیست؟ What is Boosting?

  • درختان تصمیم و یادگیری گروه Decision Trees and Ensemble Learning

  • درختان تقویت شده با گرادیان - شیرجه عمیق - قسمت شماره 1 Gradient Boosted Trees - Deep Dive - Part #1

  • درختان تقویت شده با گرادیان - شیرجه عمیق - قسمت شماره 2 Gradient Boosted Trees - Deep Dive - Part #2

  • معرفی پروژه و نمونه سازی نوت بوک Project Introduction and Notebook Instance Instantiation

  • وظیفه کدنویسی شماره 6 شماره 7 - مجموعه داده را تجسم کنید Coding Task #6 #7 - Visualize Dataset

  • وظیفه کدنویسی شماره 8 - داده ها را برای انجام آموزش آماده کنید Coding Task #8 - Prepare the Data To Perform Training

  • وظیفه کدنویسی شماره 9 - XGBoost را به صورت محلی آموزش دهید Coding Task #9 - Train XGBoost Locally

  • کدنویسی کار شماره 11 - نقطه پایانی XGBoost را مستقر کرده و پیش بینی کنید Coding Task #11 - Deploy XGBoost endpoint and Make Predictions

پروژه شماره 4 - پیش بینی بیماری قلبی عروقی با استفاده از PCA و XGBoost (طبقه بندی) Project #4 - Predict Cardiovascular Disease Using PCA & XGBoost (Classification)

  • معرفی و بررسی اجمالی پروژه Introduction and Project Overview

  • شهود تجزیه و تحلیل مؤلفه اصلی (PCA). Principal Component Analysis (PCA) Intuition

  • XGBoost برای وظایف طبقه بندی (سخنرانی مروری) XGBoost for Classification Tasks (Review Lecture)

  • XGBoost برای وظایف طبقه بندی (سخنرانی مروری) XGBoost for Classification Tasks (Review Lecture)

  • ماتریس سردرگمی Confusion Matrix

  • ماتریس سردرگمی Confusion Matrix

  • دقت، یادآوری، و امتیاز F1 Precision, Recall, and F1-Score

  • متریک ناحیه زیر منحنی (AUC) و ویژگی‌های عملیاتی گیرنده (ROC) Area Under Curve (AUC) and Receiver Operating Characteristics (ROC) Metrics

  • متریک ناحیه زیر منحنی (AUC) و ویژگی‌های عملیاتی گیرنده (ROC) Area Under Curve (AUC) and Receiver Operating Characteristics (ROC) Metrics

  • مدل های Overfitting و Under Fitting Overfitting and Under fitting Models

  • وظیفه کدنویسی شماره 1 - راه اندازی نوت بوک استودیو SageMaker Coding Task #1 - SageMaker Studio Notebook Setup

  • وظیفه کدنویسی شماره 1 - راه اندازی نوت بوک استودیو SageMaker Coding Task #1 - SageMaker Studio Notebook Setup

  • کدنویسی کار شماره 2 و 3 - وارد کردن داده ها/کتابخانه ها و انجام تجزیه و تحلیل داده های اکتشافی Coding Task #2 & #3 - Import Data/Libraries & Perform Exploratory data analysis

  • کدنویسی کار شماره 4 و 5 - تجسم مجموعه داده ها و آماده سازی داده های آموزشی/آزمایی Coding Task #4 & #5 - Visualize Datasets & Prepare Training/Testing Data

  • کدنویسی کار شماره 4 و 5 - تجسم مجموعه داده ها و آماده سازی داده های آموزشی/آزمایی Coding Task #4 & #5 - Visualize Datasets & Prepare Training/Testing Data

  • وظیفه کدنویسی شماره 6 - آموزش و آزمایش XGboost و انجام جستجوی شبکه (حالت محلی) Coding Task #6 - Train & Test XGboost and Perform Grid Search (Local Mode)

  • وظیفه کدنویسی شماره 7 - یک مدل PCA را در AWS SageMaker آموزش دهید Coding Task #7 - Train a PCA Model in AWS SageMaker

  • وظیفه کدنویسی شماره 7 - یک مدل PCA را در AWS SageMaker آموزش دهید Coding Task #7 - Train a PCA Model in AWS SageMaker

  • وظیفه کدنویسی شماره 8 - نقطه پایانی مدل PCA آموزش دیده و نقطه پایانی فراخوانی را مستقر کنید Coding Task #8 - Deploy Trained PCA Model Endpoint & Envoke endpoint

  • وظیفه کدنویسی شماره 8 - نقطه پایانی مدل PCA آموزش دیده و نقطه پایانی فراخوانی را مستقر کنید Coding Task #8 - Deploy Trained PCA Model Endpoint & Envoke endpoint

  • کدنویسی کار شماره 9 - XGBoost (SageMaker داخلی) را برای انجام وظایف طبقه بندی آموزش دهید Coding Task #9 - Train XGBoost (SageMaker Built-in) to do Classification Tasks

  • کدنویسی کار شماره 9 - XGBoost (SageMaker داخلی) را برای انجام وظایف طبقه بندی آموزش دهید Coding Task #9 - Train XGBoost (SageMaker Built-in) to do Classification Tasks

  • کدنویسی کار شماره 10 - استقرار نقطه پایانی، استنتاج @ Test Model Coding Task #10 - Deploy Endpoint, Make Inference @ Test Model

پروژه شماره 4 - پیش بینی بیماری قلبی عروقی با استفاده از PCA و XGBoost (طبقه بندی) Project #4 - Predict Cardiovascular Disease Using PCA & XGBoost (Classification)

  • معرفی و بررسی اجمالی پروژه Introduction and Project Overview

  • شهود تجزیه و تحلیل مؤلفه اصلی (PCA). Principal Component Analysis (PCA) Intuition

  • ماتریس سردرگمی Confusion Matrix

  • دقت، یادآوری، و امتیاز F1 Precision, Recall, and F1-Score

  • مدل های Overfitting و Under Fitting Overfitting and Under fitting Models

  • کدنویسی کار شماره 2 و 3 - وارد کردن داده ها/کتابخانه ها و انجام تجزیه و تحلیل داده های اکتشافی Coding Task #2 & #3 - Import Data/Libraries & Perform Exploratory data analysis

  • وظیفه کدنویسی شماره 6 - آموزش و آزمایش XGboost و انجام جستجوی شبکه (حالت محلی) Coding Task #6 - Train & Test XGboost and Perform Grid Search (Local Mode)

  • کدنویسی کار شماره 10 - استقرار نقطه پایانی، استنتاج @ Test Model Coding Task #10 - Deploy Endpoint, Make Inference @ Test Model

پروژه شماره 5 - یادگیری عمیق برای طبقه بندی علائم ترافیکی با استفاده از AWS SageMaker Project #5 - Deep Learning for Traffic Sign Classification Using AWS SageMaker

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • شبکه های عصبی کانولوشن چیست و چگونه یاد می گیرند؟ - قسمت 1 What are Convolutional Neural Networks and How do they Learn? - Part #1

  • شبکه های عصبی کانولوشن چیست و چگونه یاد می گیرند؟ - قسمت 2 What are Convolutional Neural Networks and How do they Learn? - Part #2

  • چگونه می توان عملکرد CNN ها را بهبود بخشید؟ How to Improve CNNs Performance?

  • چگونه می توان عملکرد CNN ها را بهبود بخشید؟ How to Improve CNNs Performance?

  • ماتریس سردرگمی Confusion Matrix

  • معماری شبکه LeNet LeNet Network Architecture

  • درخواست افزایش محدودیت سرویس AWS SageMaker Request AWS SageMaker Service Limit Increase

  • کدنویسی بخش شماره 1 شماره 2 - تصاویر را وارد کنید و آنها را تجسم کنید Coding Part #1 #2 - Import Images and Visualize Them

  • کد نویسی #3 #4 - داده های آموزشی/آزمایشی را در S3 بارگذاری کنید Coding #3 #4 - Upload Training/Testing Data to S3

  • وظیفه کدنویسی شماره 5 - ساخت و آموزش CNN Coding Task #5 - Build and Train CNNs

  • وظیفه کدنویسی شماره 6 - مدل آموزش دیده را با استفاده از SageMaker اجرا کنید Coding Task #6 - Deploy Trained Model Using SageMaker

پروژه شماره 5 - یادگیری عمیق برای طبقه بندی علائم ترافیکی با استفاده از AWS SageMaker Project #5 - Deep Learning for Traffic Sign Classification Using AWS SageMaker

  • بررسی اجمالی و معرفی پروژه Project Overview and Introduction

  • شبکه های عصبی کانولوشن چیست و چگونه یاد می گیرند؟ - قسمت 1 What are Convolutional Neural Networks and How do they Learn? - Part #1

  • شبکه های عصبی کانولوشن چیست و چگونه یاد می گیرند؟ - قسمت 2 What are Convolutional Neural Networks and How do they Learn? - Part #2

  • معماری شبکه LeNet LeNet Network Architecture

  • درخواست افزایش محدودیت سرویس AWS SageMaker Request AWS SageMaker Service Limit Increase

  • کدنویسی بخش شماره 1 شماره 2 - تصاویر را وارد کنید و آنها را تجسم کنید Coding Part #1 #2 - Import Images and Visualize Them

  • کد نویسی #3 #4 - داده های آموزشی/آزمایشی را در S3 بارگذاری کنید Coding #3 #4 - Upload Training/Testing Data to S3

  • وظیفه کدنویسی شماره 5 - ساخت و آموزش CNN Coding Task #5 - Build and Train CNNs

  • وظیفه کدنویسی شماره 6 - مدل آموزش دیده را با استفاده از SageMaker اجرا کنید Coding Task #6 - Deploy Trained Model Using SageMaker

پروژه شماره 6 - SageMaker Studio DeepDive و AutoML Project #6 - SageMaker Studio DeepDive and AutoML

  • بررسی اجمالی مطالعه موردی: هوش مصنوعی در تجارت Case Study Overview: AI in Business

  • مقدمه ای بر هوش مصنوعی در تجارت با AWS Introduction to AI in business with AWS

  • مقدمه ای بر هوش مصنوعی در تجارت با AWS Introduction to AI in business with AWS

  • مطالب خواندنی: کاربردهای هوش مصنوعی در تجارت Reading Material: AI Applications in Business

  • مطالب خواندنی: کاربردهای هوش مصنوعی در تجارت Reading Material: AI Applications in Business

  • آزمون: کاربردهای هوش مصنوعی در تجارت Quiz: AI Applications in Business

  • نمای کلی پروژه حق بیمه Insurance Premium Project Overview

  • نمای کلی پروژه حق بیمه Insurance Premium Project Overview

  • رگرسیون خطی ساده و چندگانه Simple and Multiple Linear Regression

  • AWS 101 [بررسی سخنرانی/اگر محتوا آشناست از آن بگذرید] AWS 101 [Review Lecture/Skip If Content is Familiar]

  • S3 و EC2 [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] S3 and EC2 [Review Lecture/Skip If Content is Familiar]

  • S3 و EC2 [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] S3 and EC2 [Review Lecture/Skip If Content is Familiar]

  • AWS SageMaker [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] AWS SageMaker [Review Lecture/Skip If Content is Familiar]

  • معیارهای رگرسیون [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] Regression Metrics [Review Lecture/Skip if Content is Familiar]

  • نسخه آزمایشی AWS SageMaker AutoPilot #1 AWS SageMaker AutoPilot Demo #1

  • نسخه آزمایشی AWS SageMaker AutoPilot #1 AWS SageMaker AutoPilot Demo #1

  • نسخه ی نمایشی شماره ۲ AWS SageMaker AutoPilot AWS SageMaker AutoPilot Demo #2

  • دمو شماره 3 AWS SageMaker AutoPilot AWS SageMaker AutoPilot Demo #3

پروژه شماره 6 - SageMaker Studio DeepDive و AutoML Project #6 - SageMaker Studio DeepDive and AutoML

  • بررسی اجمالی مطالعه موردی: هوش مصنوعی در تجارت Case Study Overview: AI in Business

  • آزمون: کاربردهای هوش مصنوعی در تجارت Quiz: AI Applications in Business

  • رگرسیون خطی ساده و چندگانه Simple and Multiple Linear Regression

  • AWS 101 [بررسی سخنرانی/اگر محتوا آشناست از آن بگذرید] AWS 101 [Review Lecture/Skip If Content is Familiar]

  • AWS SageMaker [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] AWS SageMaker [Review Lecture/Skip If Content is Familiar]

  • معیارهای رگرسیون [بررسی سخنرانی/در صورت آشنا بودن محتوا از آن بگذرید] Regression Metrics [Review Lecture/Skip if Content is Familiar]

  • نسخه ی نمایشی شماره ۲ AWS SageMaker AutoPilot AWS SageMaker AutoPilot Demo #2

  • دمو شماره 3 AWS SageMaker AutoPilot AWS SageMaker AutoPilot Demo #3

نمایش نظرات

آموزش AWS SageMaker کاربردی برای مبتدیان | ساخت 6 پروژه
جزییات دوره
16 hours
109
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
9,672
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

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر