آموزش استقرار مدل‌ها با یادگیری ماشینی Azure

دانلود Deploying Models with Azure Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پیمایش در دنیای یادگیری ماشینی می تواند باشد چالش برانگیز، به ویژه برای مبتدیان. در این دوره آموزشی، استقرار مدل‌ها با یادگیری ماشینی Azure، یاد خواهید گرفت که به طور موثر از پلت فرم Azure ML برای ساخت، استقرار و ارزیابی ماشین مدل های یادگیری ابتدا، اجزای اصلی را بررسی خواهید کرد Azure ML، از جمله فضاهای کاری، منابع محاسباتی و فروشگاه های داده در مرحله بعد، نحوه پیدا کردن و تنظیم دقیق را خواهید یافت مدل ها با استفاده از کاتالوگ مدل و انجام آزمایش ها با مجموعه داده های سفارشی در نهایت، نحوه استقرار را یاد خواهید گرفت این مدل ها و انجام انصاف در سطح بالا و ارزیابی‌های تفسیرپذیری برای اطمینان از شیوه‌های هوش مصنوعی اخلاقی. وقتی این دوره را تمام کردید، مهارت های لازم را خواهید داشت و دانش Azure Machine Learning مورد نیاز است یادگیری ماشین را با اطمینان بسازید، استقرار و ارزیابی کنید مدل های روی پلت فرم Azure.

سرفصل ها و درس ها

کشف یادگیری ماشینی Azure Discovering Azure Machine Learning

  • مقدمه ای بر یادگیری ماشینی Azure Introduction to Azure Machine Learning

  • مقدمه ای بر یادگیری ماشینی Azure Introduction to Azure Machine Learning

  • ساخت و استقرار مدل ها با Azure ML Building and Deploying Models with Azure ML

  • ساخت و استقرار مدل ها با Azure ML Building and Deploying Models with Azure ML

  • نسخه ی نمایشی: ساخت، استقرار و ارزیابی یک مدل در Azure ML Demo: Building, Deploying, and Assessing a Model in Azure ML

  • نسخه ی نمایشی: ساخت، استقرار و ارزیابی یک مدل در Azure ML Demo: Building, Deploying, and Assessing a Model in Azure ML

نمایش نظرات

آموزش استقرار مدل‌ها با یادگیری ماشینی Azure
جزییات دوره
17m
6
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
2
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.