آموزش ساختن اولین پروژه علم داده خود در Microsoft Azure

Building Your First Data Science Project in Microsoft Azure

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در پشت هر مدل یادگیری ماشینی، یک سرویس عالی برای حل مسائلی مانند نسخه‌سازی، قابلیت اشتراک‌گذاری، استقرار و تکرارپذیری وجود دارد. این دوره به شما می آموزد که چگونه به درستی با پای راست پروژه های Data Science خود را شروع کنید. ایجاد یک مدل یادگیری ماشین در Azure ممکن است در ابتدا دلهره آور به نظر برسد. تنظیمات و مشخصات زیادی وجود دارد که باید در نظر گرفته شود. در این دوره آموزشی، ساختن اولین پروژه علم داده خود در مایکروسافت آزور، یاد می گیرید که چگونه به درستی پروژه های علم داده خود را با یادگیری ماشینی Azure با پای راست شروع کنید. ابتدا، خواهید دید که یادگیری ماشینی Azure چیست. در مرحله بعد، نحوه انتخاب و پیکربندی محیط توسعه خود را برای اطمینان از موفقیت خواهید یافت. در نهایت، نحوه پیکربندی استقرارها و تمام اهداف استقرار در Azure را خواهید آموخت. وقتی این دوره را به پایان رساندید، مهارت ها و دانش Azure Machine Learning مورد نیاز برای شروع پروژه های Ml خود را به روش صحیح خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

با یادگیری ماشینی Azure آشنا شوید Meet Azure Machine Learning

  • معرفی مایکروسافت Azure Machine Learning Introducing Microsoft Azure Machine Learning

  • معرفی مطالعه موردی Globomantics Introducing Globomantics Case Study

  • گرفتن بهترین ها از این دوره Getting the Best out of This Course

  • طرح کلی دوره Outline of the Course

شروع یک پروژه علم داده Starting a Data Science Project

  • مروری بر توسعه مدل A Walkthrough of Model Development

  • فضای کاری ML چیست؟ What Is an ML Workspace?

  • نسخه ی نمایشی: یک فضای کاری ML ایجاد کنید Demo: Create an ML Workspace

  • پیش نمایشی در مورد محیط های توسعه A Preview on Development Environments

  • نسخه ی نمایشی: راه اندازی Local Environment Part1 Demo: Setting up the Local Environment Part1

  • نسخه ی نمایشی: راه اندازی Local Environment Part2 Demo: Setting up the Local Environment Part2

  • نسخه ی نمایشی: پیکربندی یک محیط DSVM Demo: Configuring a DSVM Environment

  • نسخه ی نمایشی: استفاده از نمونه های محاسباتی Demo: Using Compute Instances

  • نکات و نکات کلیدی Key Takeaways and Tips

تهیه مدل علم داده برای استقرار Preparing a Data Science Model for Deployment

  • برنامه ریزی مراحل بعدی: آموزش و استقرار Planning the Next Steps: Training and Deployment

  • نسخه ی نمایشی: استفاده از محیط های تنظیم شده برای آموزش Demo: Using Curated Environments for Training

  • نسخه ی نمایشی: استفاده از محیط های مدیریت شده توسط سیستم برای آموزش Demo: Using System-managed Environments for Training

  • نسخه ی نمایشی: استفاده از محیط های مدیریت شده توسط کاربر برای آموزش Demo: Using User-managed Environments for Training

  • نکات و نکات کلیدی Key Takeaways and Tips

پیاده سازی ML مسئول Implementing Responsible ML

  • منظور ما از ML مسئول چیست؟ What Do We Mean by Responsible ML?

  • نسخه ی نمایشی: قابلیت تفسیر مدل دیابت Demo: Diabetes Model Interpretability

  • نسخه آزمایشی: تجزیه و تحلیل عدالت در مدل دیابت ما Demo: Analize Fairness in Our Diabetes Model

  • نکات و نکات کلیدی Key Takeaways and Tips

نمایش نظرات

آموزش ساختن اولین پروژه علم داده خود در Microsoft Azure
جزییات دوره
1h 51m
23
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Axel Sirota
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Axel Sirota Axel Sirota

آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.