لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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
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
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]
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.
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
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
نمایش نظرات