آموزش سیستم های توصیه با Terraform در Google Cloud

Recommendation Systems With Terraform On Google Cloud

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: استفاده از قدرت Google Cloud Computing برای ساختن سیستم‌های توصیه‌کننده پیشرفته مقدمه شروع کار با Google Cloud Platform (GCP) خواندن و پردازش داده‌ها در GCP مقدمه‌ای بر سیستم‌های توصیه‌کننده Terraform Develop پیش نیازها: باید تجربه قبلی در علم داده پایتون داشته باشد. تجربه قبلی از تکنیک های آماری و یادگیری ماشینی مفید خواهد بود.


سیستم‌های توصیه با Terraform در Google Cloud: از قدرت Google Cloud Computing برای ساختن سیستم‌های توصیه‌کننده پیشرفته استفاده کنید

پتانسیل تجربه‌های کاربر شخصی‌شده را باز کنید و با این دوره جامع در ساختن سیستم‌های توصیه‌گر پیشرفته با استفاده از Google Cloud Platform (GCP) و Terraform تعامل ایجاد کنید.

نمای کلی دوره

این دوره شما را به دانش و ابزارهایی برای طراحی، استقرار و مدیریت موتورهای توصیه قدرتمندی مجهز می کند که می توانند برای پاسخگویی به نیازهای برنامه های مدرن مقیاس شوند. شما یاد خواهید گرفت که چگونه از قابلیت های گسترده زیرساخت GCP و خدمات یادگیری ماشینی، همراه با اتوماسیون و مقیاس پذیری ارائه شده توسط Terraform استفاده کنید.

آنچه خواهید آموخت

  • مقدمه‌ای بر اکوسیستم GCP: با اجزای اصلی GCP مرتبط با سیستم‌های توصیه‌گر، از جمله Compute Engine، Cloud Storage، BigQuery و Vertex AI آشنا شوید.

  • مفاهیم اساسی آماری: بر تکنیک‌های آماری اساسی، مانند تجزیه و تحلیل مؤلفه اصلی (PCA)، که برای درک و پیاده‌سازی الگوریتم‌های توصیه‌گر حیاتی هستند، مسلط شوید.

  • سیستم‌های توصیه‌کننده متداول: انواع روش‌های توصیه محبوب را کاوش کنید، از جمله فیلتر مشارکتی، فیلتر مبتنی بر محتوا، و مدل‌های ترکیبی.

  • سیستم‌های توصیه‌کننده مبتنی بر فیلتر: در مکانیک توصیه‌کنندگان مبتنی بر فیلتر کردن عمیقاً غوطه‌ور شوید و بدانید که چگونه آنها از تعاملات کاربر-مورد برای ایجاد پیشنهادهای شخصی‌سازی شده استفاده می‌کنند.

  • دیگر سیستم‌های توصیه‌گر: تکنیک‌های توصیه‌ای اضافی، مانند سیستم‌های مبتنی بر دانش و مبتنی بر جلسه را کشف کنید، جعبه ابزار خود را برای سناریوهای مختلف گسترش دهید.

  • شروع به کار با Terraform: اصول اولیه Terraform را بیاموزید، یک ابزار قدرتمند زیرساخت به عنوان کد، و از آن برای خودکارسازی استقرار و مدیریت سیستم های توصیه کننده خود در GCP استفاده کنید.

  • تجزیه و تحلیل متن برای توصیه‌ها: در مورد تکنیک‌های تجزیه و تحلیل متن (مانند NLP) و نحوه ادغام آن‌ها در سیستم‌های توصیه‌گر برای استفاده از داده‌های متنی برای توصیه‌های بهبودیافته بینش به دست آورید.

این دوره برای چه کسانی است

این دوره برای:

طراحی شده است
  • دانشمندان داده و مهندسان یادگیری ماشین علاقه مند به ساخت و استقرار سیستم های توصیه گر هستند.

  • توسعه دهندگان نرم افزار و متخصصان DevOps به دنبال خودکارسازی زیرساخت برای موتورهای توصیه در GCP هستند.

  • تحلیلگران تجاری و مدیران محصول که می خواهند جنبه های فنی سیستم های توصیه گر را برای تصمیم گیری آگاهانه درک کنند.

پیش نیازها

  • درک اولیه برنامه نویسی پایتون.

  • آشنایی با مفاهیم یادگیری ماشین مفید است اما لازم نیست.

در پایان این دوره، شما قادر خواهید بود:

  • الگوریتم‌های مختلف سیستم توصیه‌گر را با اطمینان طراحی و پیاده‌سازی کرد.

  • از زیرساخت GCP و خدمات یادگیری ماشین برای موتورهای توصیه مقیاس پذیر استفاده کنید.

  • استقرار و مدیریت سیستم های توصیه گر را با استفاده از Terraform به طور خودکار انجام دهید.

  • از تکنیک های تجزیه و تحلیل متن برای افزایش شخصی سازی توصیه ها استفاده کنید.

اکنون ثبت نام کنید و سفر خود را به سمت ساختن سیستم های پیشرفته توصیه کننده در Google Cloud آغاز کنید!


سرفصل ها و درس ها

مقدمه دوره Introduction To the Course

  • خوش آمدی Welcome

  • داده و کد Data and Code

  • مقدمه ای بر کولب Introduction to Colab

  • سیستم های توصیه گر چیست؟ What Are Recommender Systems?

  • سیستم های توصیه کننده: تئوری Recommender Systems: Theory

مقدمه ای بر اکوسیستم GCP Introduction to the GCP Ecosystem

  • شروع با GCP Starting With GCP

  • اکوسیستم GCP GCP Ecosystem

  • سلام کن Say Hi

  • مجوزها در GCP Permissions within GCP

  • Virtual Speaking: ماشین های مجازی (VM) Virtually Speaking: Virtual Machines (VMs)

  • سطل های خود را در یک ردیف قرار دهید Get Your Buckets in a Row

  • دسترسی به داده ها از سطل خود - قسمت 1 Access Data From Your Bucket-Part 1

  • دسترسی به داده ها از سطل خود - قسمت 2 Access Data From Your Bucket-Part 2

  • اجزای یادگیری ماشین در GCP Components of Machine Learning in GCP

  • مجموعه داده ها Datasets

مفاهیم اولیه آماری Basic Statistical Concepts

  • تجزیه و تحلیل مؤلفه های اصلی - نظریه Principal Component Analysis-Theory

  • اجرای عملی PCA Practical Implementation of PCA

  • تئوری یادگیری بدون نظارت Unsupervised Learning-Theory

  • نظریه k-Means Theory of k-Means

  • پیاده سازی k-means Implement k-means

  • تجزیه ارزش منفرد (SVD) - نظریه Singular Value Decomposition (SVD)- Theory

  • استفاده از SVD در Recommenders Using SVD in Recommenders

  • مقدمه ای بر یادگیری تحت نظارت Introduction to Supervised Learning

موتورهای توصیه کننده رایج Common Recommender Engines

  • فیلتر بر اساس آیتم های پایه Basic Item Based Filtering

  • یک مشکل برای سیستم های توصیه کننده کلاسیک تنظیم کنید Set Up a Problem For Classical Recommender Systems

  • فیلتر بر اساس محتوا Content Based Filtering

  • فیلتر مشارکتی Collaborative Filtering

توصیه کننده مبتنی بر فیلتر Filtering Based Recommender

  • فاصله های اقلیدسی به عنوان مبنایی برای ارائه توصیه ها Euclidean Distances as a Basis of Making Recommendations

  • استفاده از SVD برای توصیه ها Using SVD For Recommendations

  • استفاده از ویژگی های جمعیتی Using Demographic Traits

  • پردازش داده های پایه Basic Data Processing

  • لیست نهایی فیلم ها Final List Of Movies

سایر سیستم های توصیه کننده Other Recommender Systems

  • پکیج سورپرایز Surprise Package

  • Hybrid Recommenders-LightFM Hybrid Recommenders-LightFM

  • فیلتر کردن بر اساس محتوا بر روی داده های متنی با شگفتی Content Based Filtering On Text Data With Surprise

  • Word2Vec برای موارد اساسی توصیه-1 Word2Vec For Basic Item Recommendation-1

  • Word2Vec برای موارد اساسی توصیه-2 Word2Vec For Basic Item Recommendation-2

شروع کار با Terraform Getting Started With Terraform

  • درک Terraform: تامین و اتوماسیون در Google Cloud Understanding Terraform: Provisioning and Automation in Google Cloud

  • Terraform در GCP Terraform in GCP

  • Where Is My Terraform در GCP Where Is My Terraform in GCP

  • اجازه می دهد به روز رسانی Lets Update

  • یک پروژه Terraform جدید ایجاد کنید Create a New Terraform Project

  • تنظیم منطقه Set Region

  • Terraform را راه اندازی کنید Initialise Terraform

  • عیب یابی اولیه سازی Troubleshoot the Initialisation

مطالب متفرقه در تجزیه و تحلیل متن Miscellaneous Content on Text Analysis

  • تئوری پاکسازی متن Theory of Text Cleaning

  • تمیز کردن مبتنی بر NTLK NTLK-Based Cleaning

  • یکی دیگر از گردش کار مبتنی بر NTLK Another NTLK-Based Workflow

  • ابرهای کلمه چیست؟ What Are Word Clouds?

  • tfidf tfidf

  • پیاده سازی عملی TF-IDF Practical TF-IDF Implementation

نمایش نظرات

آموزش سیستم های توصیه با Terraform در Google Cloud
جزییات دوره
3.5 hours
51
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
22
5 از 5
ندارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم