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

Machine Learning and AI Foundations: Predictive Modeling Strategy at Scale

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      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.