لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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?
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.
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.
نمایش نظرات