Google Cloud Platform برای آموزش یادگیری ماشین

Google Cloud Platform for Machine Learning Essential Training

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشینی می تواند برنامه های شما را سریعتر و هوشمندتر کند. شما می توانید داده های مشتری مانند ورودی صدا و متن ، تصاویر و ویدئو را تجزیه و تحلیل کنید و بدون دخالت انسان اقدام کنید. Google Cloud Platform (GCP) مجموعه ای رقابتی از خدمات یادگیری ماشین را برای تقریباً هر نوع معماری از جمله محاسبات بدون سرور ، کانتینرها و ماشین های مجازی ارائه می دهد. بیاموزید که چگونه در این دوره مقدماتی با مربی لین لانگیت ، راه حل های یادگیری ماشین خود را با استفاده از GCP طراحی کنید. Lynn نشان می دهد که چگونه می توان نیازهای خود را شناسایی کرد و آنها را بر اساس خدماتی مانند API های یادگیری ماشین GCP - Cloud Vision ، Cloud Speech-to-Text ، Cloud Video Intelligence و موارد دیگر - و GCP AutoML ترسیم کرد ، که همان API ها را پشت سر می گذارد. رابط کاربری سپس نمای کلی از مدلهای سفارشی ML و شبکههای عصبی عمیق را که در Google Cloud ML Engine امکان پذیر است ، دریافت کنید. در آخر ، پنج نمونه عملی مختلف از یادگیری ماشین GCP را مرور کنید ، از جمله ربات گپ ، برنامه جستجوی تصویر و برنامه اینترنت اشیا on روی دستگاه.
موضوعات شامل:
  • گزینه های میزبانی: بدون سرور ، کانتینرها و ماشین های مجازی
  • فعال کردن هوش مصنوعی GCP ML
  • آماده سازی داده ها با Cloud Dataflow و Dataprep
  • مدل سازی پیش بینی ها برای تصاویر ، فیلم ، متن به گفتار و ترجمه ابر
  • یادگیری ماشین با خودکار
  • یادگیری ماشین پیشرفته و یادگیری عمیق
  • معماری یادگیری ماشین

سرفصل ها و درس ها

مقدمه Introduction

  • راه حل های کامل با خدمات یادگیری ماشینی بسازید Build complete solutions with machine learning services

  • آنچه باید بدانید What you should know

  • درباره استفاده از خدمات ابری About using cloud services

1. آموزش ماشین در Google Cloud Platform 1. Machine Learning on Google Cloud Platform

  • سناریوهای تجاری برای یادگیری ماشین Business scenarios for machine learning

  • از کدام الگوریتم باید استفاده کنید؟ Which algorithm should you use?

  • سرورهای GCP AI در مقابل سیستم عامل ها GCP AI servers vs. platforms

  • API های GCP ML را فعال کنید Enable GCP ML APIs

  • تهیه داده با Cloud Dataflow و Cloud Dataprep Data preparation with Cloud Dataflow and Cloud Dataprep

  • نوت بوک ML در عمل: همکاری An ML notebook in action: Colaboratory

  • نوت بوک ML در عمل: Cloud Datalab را تنظیم کنید An ML notebook in action: Set up Cloud Datalab

  • یک نوت بوک ML در عمل: از Cloud Datalab استفاده کنید An ML notebook in action: Use Cloud Datalab

2. خدمات API یادگیری ماشین 2. Machine Learning API Services

  • بررسی اجمالی API های GCP ML Overview of GCP ML APIs

  • پیش بینی تصاویر از طریق Cloud Vision API Predict via the Cloud Vision API for images

  • پیش بینی ویدیو از طریق API Intelligence Video Cloud Predict via the Cloud Video Intelligence API for video

  • پیش بینی از طریق API زبان طبیعی برای NLP Predict via the Natural Language API for NLP

  • پیش بینی از طریق API متن به گفتار Predict via the Text-to-Speech API

  • پیش بینی از طریق API گفتار به متن Predict via the Speech-to-Text API

  • پیش بینی از طریق API ترجمه ابر Predict via the Cloud Translation API

  • پیش بینی از طریق BigQuery ML Predict via BigQuery ML

3. آموزش ماشین با AutoML 3. Machine Learning with AutoML

  • خدمات Cloud AutoML را درک کنید Understand Cloud AutoML services

  • درک AutoML Vision Understand AutoML Vision

  • داده ها و برچسب ها را برای AutoML Vision آماده کنید Prepare data and labels for AutoML Vision

  • مدل قطار برای AutoML Vision Train model for AutoML Vision

  • مدل را با AutoML Vision ارزیابی کنید Evaluate model with AutoML Vision

  • پیش بینی استفاده از یک مدل آموزش دیده خودکار AutoML Predict using a trained AutoML Vision model

4. یادگیری ماشین پیشرفته 4. Advanced Machine Learning

  • چرا مدلهای ML سفارشی بسازیم؟ Why build custom ML models?

  • استفاده از ظروف برای میزبان مدل های ML Using containers to host ML models

  • از Cloud ML Engine استفاده کنید Use Cloud ML Engine

  • خروجی موتور Cloud ML را ارزیابی کنید Evaluate Cloud ML Engine output

  • مقیاس مدل های ML سفارشی Scale custom ML models

  • درک یادگیری عمیق Understanding deep learning

  • با TensorBoard کار کنید Work with TensorBoard

  • با شرکت Keras برای TensorFlow کار کنید Work with Keras for TensorFlow

  • GPU و TPU برای TensorFlow GPUs and TPUs for TensorFlow

  • TensorFlow برای JavaScript و موبایل TensorFlow for JavaScript and mobile

5- معماری های یادگیری ماشین 5. Machine Learning Architectures

  • Chatbot با ML Chatbot with ML

  • جستجوی تصویر با Cloud Vision و Cloud ML Image search with Cloud Vision and Cloud ML

  • معماری یادگیری ماشین بدون سرور GCP GCP serverless machine learning architecture

  • یادگیری ماشین GCP با داده های ساخت یافته GCP machine learning with structured data

  • سرویس GCP ML برای برنامه های IoT GCP ML service for IoT apps

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

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.

Google Cloud Platform برای آموزش یادگیری ماشین
جزییات دوره
2h 57m
41
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
30,520
- از 5
ندارد
دارد
دارد
Lynn Langit
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lynn Langit Lynn Langit

Cloud Architect

Lynn Langit یک معمار ابری است که با خدمات وب آمازون و Google Cloud Platform کار می کند.

لین متخصص در پروژه های کلان داده است. او با AWS Athena، Aurora، Redshift، Kinesis و IoT کار کرده است. او همچنین کارهای تولیدی را با Databricks برای Apache Spark و Google Cloud Dataproc، Bigtable، BigQuery و Cloud Spanner انجام داده است.

لین همچنین بنیانگذار  است. آموزش برنامه نویسی به کودکان. او درباره داده ها و فناوری های ابری در آمریکای شمالی و جنوبی، اروپا، آفریقا، آسیا و استرالیا صحبت کرده است.