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.
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

نظری ارسال نشده است.

آموزش یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل سازی پیش بینی در مقیاس
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
1h 21m
31
Linkedin (لینکدین) lynda-small
20 آذر 1397 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
32,000
- از 5
ندارد
دارد
دارد

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.

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.