آموزش انتخاب رویکرد مناسب ML برای پرونده تجاری خود با ISO/IEC 25053: 2022 - آخرین آپدیت

دانلود Choosing the Right ML Approach for Your Business Case with ISO/IEC 25053:2022

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره ، مربی Lyron Andrews به شما نشان می دهد که چگونه می توانید اجزای سیستم یادگیری ماشین (ML) و عملکرد آنها را در اکوسیستم AI توصیف کنید. این شامل شناسایی یادگیری عمومی ، تحت نظارت ، بدون نظارت و نیمه تحت نظارت ، همراه با ذکر مراحل مربوط به خط لوله ML است. در طول راه ، بینش هایی را برای ارزیابی نیاز به تشخیص ناهنجاری و کاهش ابعاد مربوط به مدل های آموزشی جمع آوری کنید. Lyron مراحل خط لوله یادگیری ماشین را ، از جمع آوری داده ها و آماده سازی گرفته تا مدل سازی ، تأیید و اعتبار سنجی تشریح می کند. در پایان این دوره ، شما آماده خواهید بود تا رویکرد مناسب ML را برای پاسخگویی به نیازهای منحصر به فرد پرونده تجاری خود انتخاب کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • چرا نیاز به رویکرد فرآیند ML Why the need for an ML process approach

1. اصطلاحات ، تعاریف و نمای کلی 1. Terms, Definitions, and Overview

  • نمای کلی بندها ، اصطلاحات و تعاریف (بندهای 3-5) Overview of clauses, terms, and definitions (Clauses 3-5)

2. سیستم های یادگیری ماشین 2. Machine Learning Systems

  • وظیفه و عمومی (بند 6-6.2) Task and general (Clause 6-6.2)

  • Bayesian ML (بند 6.5.3.3) Bayesian ML (Clause 6.5.3.3)

  • مدل ML (بند 6.3) ML model (Clause 6.3)

  • داده های ML (بند 6.4) ML data (Clause 6.4)

  • درخت تصمیم ML (بند 6.5.3.6) Decision tree ML (Clause 6.5.3.6)

  • دستگاه های بردار پشتیبانی ML (بند 6.5.3.5) Support vector machines ML (Clause 6.5.3.5)

  • جزئیات کار (بندهای 6.2.2-6.2.7) Task details (Clauses 6.2.2-6.2.7)

  • ابزارها و تهیه داده ها (بندهای 6.5-6.5.2) Tools and data preparation (Clauses 6.5-6.5.2)

3. دسته شبکه های عصبی ML 3. Categories of ML Neural Networks

  • RNN و LSTM ML (بندهای 6.5.3.2.3-6.5.3.3.2.3.2) RNN and LSTM ML (Clauses 6.5.3.2.3-6.5.3.2.3.2)

  • CNN و Capnet ML (بندهای 6.5.3.2.4 ، 6.5.3.2.7) CNN and CapNet ML(Clauses 6.5.3.2.4, 6.5.3.2.7)

  • روشهای بهینه سازی ML (بندهای 6.5.4-6.5.4.8) ML optimization methods (Clauses 6.5.4-6.5.4.8)

  • DBM ، Perceptron ساختاری و GAN ML (بند 6) DBM, structured perceptron, and GAN ML (Clause 6)

  • معیارهای ارزیابی ML (بندهای 6.5.5-6.5.5.8) ML evaluation metrics (Clauses 6.5.5-6.5.5.8)

  • عمومی و FFNN ML (بندهای 6.5.3.2-6.5.3.3.2.2) General and FFNN ML (Clauses 6.5.3.2-6.5.3.2.2)

4. رویکردهای یادگیری ماشین 4. Machine Learning Approaches

  • عمومی ، نظارت و بدون نظارت (بندهای 7-7.3) General, supervised, and unsupervised (Clauses 7-7.3)

  • تقویت و انتقال (بندهای 7.6-7.7) Reinforcement and transfer (Clauses 7.6-7.7)

  • نیمه و خودآنوشت (بندهای 7.4-7.5) Semi- and self-supervised (Clauses 7.4-7.5)

5. خط لوله یادگیری ماشین 5. Machine Learning Pipeline

  • جزئیات تهیه داده ها (بند 8.3) Data preparation details (Clause 8.3)

  • مدل سازی ، تأیید و اعتبار سنجی (بندهای 8.5-8.6) Modeling, verification, and validation (Clauses 8.5-8.6)

  • مثال خط لوله یادگیری ماشین (بند 8.8) Machine learning pipeline example (Clause 8.8)

  • استقرار و بهره برداری مدل (بندهای 8.6-8.7) Model deployment and operation (Clauses 8.6-8.7)

  • کسب و تهیه داده ها (بندهای 8-8.3) Data acquisition and preparation (Clauses 8-8.3)

پایان Conclusion

  • به توسعه موارد تجاری ML خود ادامه دهید Continue developing your ML business cases

نمایش نظرات

آموزش انتخاب رویکرد مناسب ML برای پرونده تجاری خود با ISO/IEC 25053: 2022
جزییات دوره
1h 42m
25
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
82
- 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