نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
آیا می خواهید در مورد فروشگاه ویژگی Vertex AI بدانید؟ آیا می خواهید بدانید چگونه می توانید دقت مدل های ML خود را بهبود بخشید؟ آیا می خواهید در مورد فروشگاه ویژگی Vertex AI بدانید؟ آیا می خواهید بدانید چگونه می توانید دقت مدل های ML خود را بهبود بخشید؟ در مورد چگونگی پیدا کردن این که کدام ستون های داده مفیدترین ویژگی ها را دارند چطور؟ به Feature Engineering خوش آمدید، جایی که ویژگیهای خوب در مقابل بد و اینکه چگونه میتوانید آنها را برای استفاده بهینه در مدلهای خود پیش پردازش و تغییر دهید، مورد بحث قرار میدهیم. این دوره شامل محتوا و آزمایشگاه های مهندسی ویژگی با استفاده از BigQuery ML، Keras و TensorFlow است.
سرفصل ها و درس ها
معرفی
Introduction
-
معرفی دوره
Course introduction
معرفی فروشگاه ویژگی های Vertex AI
Introduction to Vertex AI Feature Store
-
معرفی
Introduction
-
مزایای فروشگاه ویژه
Feature Store benefits
-
اصطلاحات و مفاهیم فروشگاه ویژگی
Feature Store terminology and concepts
-
مدل داده فروشگاه ویژگی
The Feature Store data model
-
ایجاد یک فروشگاه ویژه
Creating a Feature Store
-
ویژگی های سرویس دهی: دسته ای و آنلاین
Serving features: Batch and online
-
(اختیاری) معرفی آزمایشگاه: استفاده از فروشگاه ویژگی
(Optional) Lab intro: Using Feature Store
-
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
-
آزمایشگاه: استفاده از فروشگاه ویژگی
Lab: Using Feature Store
-
منابع: مقدمه ای بر فروشگاه ویژگی های Vertex AI
Resources: Introduction to Vertex AI Feature Store
داده های خام به ویژگی ها
Raw Data to Features
-
معرفی
Introduction
-
مروری بر مهندسی ویژگی
Overview of feature engineering
-
داده های خام به ویژگی ها
Raw data to features
-
ویژگی های خوب در مقابل ویژگی های بد
Good features versus bad features
-
ویژگی ها باید در زمان پیش بینی شناخته شوند
Features should be known at prediction-time
-
ویژگی ها باید عددی باشند
Features should be numeric
-
ویژگی ها باید نمونه های کافی داشته باشند
Features should have enough examples
-
آوردن بینش انسانی
Bringing human insight
-
نشان دهنده ویژگی ها
Representing features
-
منابع: داده های خام به ویژگی ها
Resources: Raw Data to Features
مهندسی ویژگی
Feature Engineering
-
معرفی
Introduction
-
یادگیری ماشینی در مقابل آمار
Machine learning versus statistics
-
مهندسی ویژگی های پایه
Basic feature engineering
-
مقدمه آزمایشگاه: انجام مهندسی ویژگی های پایه در BigQuery ML
Lab intro: Performing Basic Feature Engineering in BigQuery ML
-
آزمایشگاه: انجام مهندسی ویژگی های پایه در BQML
Lab: Performing Basic Feature Engineering in BQML
-
مهندسی ویژگی های پیشرفته: تلاقی ویژگی ها
Advanced feature engineering: Feature crosses
-
سطل سازی و تبدیل توابع
Bucketize and Transform Functions
-
(اختیاری) معرفی آزمایشگاه: مهندسی ویژگی های پیشرفته BigQuery ML
(Optional) Lab intro: Advanced Feature Engineering BigQuery ML
-
آزمایشگاه: انجام مهندسی ویژگی های پیشرفته در BQML
Lab: Performing Advanced Feature Engineering in BQML
-
پیش بینی قیمت مسکن
Predict housing prices
-
کرایه تاکسی را تخمین بزنید
Estimate taxi fare
-
ویژگی های زمانی و جغرافیایی
Temporal and geolocation features
-
مقدمه آزمایشگاه: مهندسی ویژگی های پایه در کراس
Lab intro: Basic Feature Engineering in Keras
-
آزمایشگاه: انجام مهندسی ویژگی های پایه در کراس
Lab: Performing Basic Feature Engineering in Keras
-
مقدمه آزمایشگاه: مهندسی ویژگی های پیشرفته در کراس
Lab intro: Advanced Feature Engineering in Keras
-
آزمایشگاه: انجام مهندسی ویژگی های پیشرفته در کراس
Lab: Performing Advanced Feature Engineering in Keras
-
منابع: مهندسی ویژگی
Resources: Feature Engineering
پیش پردازش و ایجاد ویژگی
Preprocessing and Feature Creation
-
معرفی
Introduction
-
پرتو آپاچی و جریان داده
Apache Beam and Dataflow
-
اصطلاحات و مفاهیم جریان داده
Dataflow terms and concepts
-
منابع: پیش پردازش و ایجاد ویژگی
Resources: Preprocessing and Feature Creation
صلیب های ویژه - زمین بازی TensorFlow
Feature Crosses - TensorFlow Playground
-
معرفی
Introduction
-
متقاطع ویژگی چیست
What is a feature cross
-
گسسته سازی
Discretization
-
مقدمه آزمایشگاه: TensorFlow Playground: از صلیب های ویژگی برای ایجاد یک طبقه بندی خوب استفاده کنید
Lab intro: TensorFlow Playground: Use feature crosses to create a good classifier
-
معرفی آزمایشگاه: TensorFlow Playground: خیلی چیز خوبی است
Lab intro: TensorFlow Playground: Too much of a good thing
-
منابع: Feature Crosses - TensorFlow Playground
Resources: Feature Crosses - TensorFlow Playground
مقدمه ای بر تبدیل TensorFlow
Introduction to TensorFlow Transform
-
معرفی
Introduction
-
تبدیل TensorFlow
TensorFlow Transform
-
فاز تجزیه و تحلیل
Analyze phase
-
فاز تبدیل
Transform phase
-
پشتیبانی از خدمت
Supporting serving
-
معرفی آزمایشگاه: کاوش tf.transform
Lab Intro: Exploring tf.transform
-
آزمایشگاه: کاوش tf.transform
Lab: Exploring tf.transform
-
منابع: مقدمه ای بر تبدیل TensorFlow
Resources: Introduction to TensorFlow Transform
خلاصه
Summary
-
خلاصه
Summary
-
منبع: تمام سوالات مسابقه
Resource: All quiz questions
-
منبع: همه مطالب خوانده شده
Resource: All readings
-
منبع: همه اسلایدها
Resource: All slides
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات