آموزش یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل سازی پیش بینی در مقیاس

Machine Learning and AI Foundations: Predictive Modeling Strategy at Scale

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ایجاد راه حل های تجزیه و تحلیل پیش بینی شده در سطح جهانی مستلزم شناخت این است که چالش های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار زیاد است. از کجا می دانید چه مقدار داده استفاده کنید؟ چه چیزی کم است ، چه چیزی بیش از حد؟ زیرساخت شما چگونه باید با توجه به حجم و خواسته های پروژه مقیاس بندی شود؟ این دوره گام به گام از جنبه های استراتژیک و تاکتیکی تعیین میزان مقدار داده مورد نیاز برای ساختن یک راه حل موثر مدل سازی پیش بینی مبتنی بر یادگیری ماشین و حجم زیادی از داده به قدری می گذرد که چالش هایی را به وجود می آورد. مربی کیت مک کورمیک با در نظر گرفتن مقیاس پذیری ، با ارائه بینش ، چشم اندازها و ابزارهای جدید همکاری برای متخصصان فناوری اطلاعات ، دانشمندان داده و رهبری ، هر مرحله - انتخاب داده ، آماده سازی داده ، مدل سازی ، امتیازدهی و استقرار را مرور می کند.

توجه: این دوره نرم افزاری است. تاکید بر استراتژی و برنامه ریزی است. مثالها ، محاسبات و نتایج نرم افزاری نشان داده شده فقط برای اهداف آموزشی است.
موضوعات شامل:
  • ارزیابی مقدار مناسب داده
  • ارزیابی کیفیت و کمیت داده ها
  • تراز بندی فصلی و زمانی
  • چالش های آماده سازی داده ها
  • چالش های مدل سازی داده ها
  • امتیازدهی به مدلهای یادگیری ماشین
  • به کارگیری مدل ها و تنظیم آمادگی داده ها و امتیازدهی آنها
  • نظارت و نگهداری

سرفصل ها و درس ها

مقدمه Introduction

  • ابتکارهای یادگیری ماشین مقیاس گذاری Scaling machine learning initiatives

  • تعریف اصطلاحات Defining terms

1. مراحل یک پروژه یادگیری ماشین 1. The Phases of a Machine Learning Project

  • داده و نظارت بر یادگیری ماشین Data and supervised machine learning

  • نه تنگنای بزرگ داده The nine big data bottlenecks

  • مراحل داده های تحلیلی پیش بینی شده The stages of predictive analytics data

  • چرا ممکن است داده خیلی کمی داشته باشید Why you might have too little data

2. طراحی بانک اطلاعات یادگیری ماشین 2. Designing a Machine Learning Dataset

  • چقدر داده لازم دارم؟ How much data do I need?

  • تعادل Balancing

  • چه کسی داده های بزرگی دارد؟ Who truly has big data?

  • ارزیابی داده ها Assessing data

  • انتخاب: داده هایی که باید خارج شوند Selecting: Data that should be left out

  • فصلی بودن و تراز زمانی Seasonality and time alignment

3. چالش های آمادگی داده ها 3. Data Prep Challenges

  • دانشمند و داده شناس Data and the data scientist

  • مصالح و تجدید ساختار Aggregate and restructure

  • کد نویسی ساختگی Dummy coding

  • مهندسی ویژگی Feature engineering

4. چالش های مدل سازی 4. Modeling Challenges

  • درک فرایند مدل سازی Understanding the modeling process

  • الگوریتم های کند: نیروی بی رحم Slow algorithms: Brute force

  • الگوریتم های کند: محاسبات بیشتر Slow algorithms: More calculations

  • الگوریتم های کند: مدل های بیشتر Slow algorithms: More models

  • چگونه به درستی نمونه برداری کنیم How to sample properly

  • مدل سازی با داده های از دست رفته Modeling with missing data

5. امتیاز دهی 5. Scoring

  • به ثمر رساندن مدل های ML سنتی Scoring traditional ML models

  • به ثمر رساندن مدل جعبه سیاه Scoring a black box model

  • به ثمر رساندن یک گروه Scoring an ensemble

6. استقرار 6. Deployment

  • دسته در مقابل به ثمر رساند در زمان واقعی Batch vs. real-time scoring

  • آماده سازی و به ثمر رساندن داده ها Data prep and scoring

  • ترکیب دسته ای و به ثمر رساندن زمان واقعی Combining batch and real-time scoring

7. نظارت و نگهداری 7. Monitoring and Maintenance

  • نظارت بر مدل چیست؟ What is model monitoring?

  • چند بار باید دوباره بسازید؟ How often should you rebuild?

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل سازی پیش بینی در مقیاس
جزییات دوره
1h 21m
31
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
32,000
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Keith McCormick Keith McCormick

داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.