آموزش آمادگی آزمون مهندسی ماشین یادگیری حرفه ای گوگل

Google Professional Machine Learning Engineer Exam Preparation

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

این دوره به منظور کمک به شما برای آماده شدن برای آزمون مهندسی حرفه‌ای ماشین یادگیری گواهی شده Google طراحی شده است. حتی اگر قصد شرکت در آزمون را ندارید، این دوره‌ها به شما کمک می‌کنند تا درک کاملی از نحوه پیاده‌سازی یادگیری ماشین در Google Cloud Platform به دست آورید. داوطلبانی که در این آزمون موفق شوند، گواهینامه مهندس حرفه ای یادگیری ماشین Google را دریافت خواهند کرد.

آزمون مهندس حرفه ای یادگیری ماشین دانش شما را از شش حوزه موضوعی آزمایش می کند.

اهداف آموزشی

  • کادربندی مشکلات یادگیری ماشین
  • راه حل های یادگیری ماشین معماری
  • طراحی سیستم های آماده سازی و پردازش داده ها
  • در حال توسعه مدل های یادگیری ماشینی
  • خودکارسازی و تنظیم خطوط لوله یادگیری ماشین
  • نظارت، بهینه سازی و نگهداری راه حل های یادگیری ماشین

مخاطب مورد نظر

  • متخصصان داده
  • افرادی که برای امتحان مهندس یادگیری ماشین حرفه ای Google مطالعه می کنند

پیش نیازها

  • درک اولیه مفاهیم ابر
  • تجربه نوشتن کد پایتون

بازخورد

اگر نظر یا پیشنهادی در مورد این دوره دارید، لطفاً با Cloud Academy در .

تماس بگیرید.

سرفصل ها و درس ها

نمای کلی Google Cloud Platform Overview of Google Cloud Platform

  • معرفی Introduction

  • نمای کلی GCP GCP Overview

  • با استفاده از Google Cloud Console Using the Google Cloud Console

  • با استفاده از CLI Using the CLI

  • خدمات بیشتر More Services

  • طراحی یک راه حل Designing a Solution

  • خدمات مدیریتی Management Services

  • خلاصه Summary

شروع با یادگیری عمیق: کار با داده ها Getting Started With Deep Learning: Working With Data

  • مروری بر داده ها Overview of Data

  • داده های جدولی Tabular Data

  • کاوش با پانداها Exploration with Pandas

  • کاوش بصری Visual Exploration

  • کاوش داده های بصری با Matplotlib Visual Data Exploration with Matplotlib

  • داده های بدون ساختار Unstructured Data

  • تصاویر و صداها در ژوپیتر Images and Sounds in Jupyter

  • مهندسی ویژگی Feature Engineering

  • تمرین 1 Exercise 1

  • تمرین 1: راه حل Exercise 1: Solution

  • تمرین 2 Exercise 2

  • تمرین 2: راه حل Exercise 2: Solution

  • تمرین 3 Exercise 3

  • تمرین 3: راه حل Exercise 3: Solution

  • تمرین 4 Exercise 4

  • تمرین 4: راه حل Exercise 4: Solution

  • تمرین 5 Exercise 5

  • تمرین 5: راه حل Exercise 5: Solution

شروع با یادگیری عمیق: مقدمه ای بر یادگیری ماشین Getting Started with Deep Learning: Introduction To Machine Learning

  • معرفی Introduction

  • مشکلات یادگیری ماشین Machine Learning Problems

  • یادگیری تحت نظارت Supervised Learning

  • رگرسیون خطی Linear Regression

  • تابع هزینه: Screenflow Cost Function: Screenflow

  • تابع هزینه Cost Function

  • بهترین مدل Best Model

  • رگرسیون خطی: نسخه ی نمایشی Linear Regression: Demo

  • ارزیابی عملکرد: Screenflow Evaluation Performance: Screenflow

  • ارزیابی عملکرد مدل Evaluating Model Performance

  • طبقه بندی Classification

  • طبقه بندی: کراس Classification: Keras

  • بیش از حد برازش Overfitting

  • اعتبار سنجی متقابل Cross Validation

  • اعتبار سنجی متقابل: مدل‌های Keras در Scikit Learn Cross Validation: Keras Models in Scikit Learn

  • ماتریس سردرگمی Confusion Matrix

  • ماتریس سردرگمی: پایتون Confusion Matrix: Python

  • پیش پردازش ویژگی Feature Preprocessing

  • تمرین 1 Exercise 1

  • تمرین 1: راه حل Exercise 1: Solution

  • تمرین 2 Exercise 2

  • تمرین 2: راه حل Exercise 2: Solution

مقدمه ای بر یادگیری ماشین در GCP Introduction to Machine Learning on GCP

  • معرفی Introduction

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • یادگیری ماشینی چه مشکلاتی را می تواند حل کند؟ What Problems Can Machine Learning Solve?

  • یادگیری ماشینی در واقع چگونه کار می کند؟ How Does Machine Learning Actually Work?

  • نسخه ی نمایشی یادگیری ماشین Machine Learning Demo

  • خلاصه Summary

ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model

  • معرفی Introduction

  • برپایی Setup

  • کاوش در داده های شما Exploring Your Data

  • واردات و اعتبارسنجی داده ها Data Import and Validation

  • مهندسی ویژگی و انتخاب Feature Engineering and Selection

  • آموزش و ارزیابی مدل Model Training and Evaluation

  • عادی سازی داده ها Data Normalization

  • نمونه گیری داده ها Data Sampling

  • یادگیری عمیق Deep Learning

  • استفاده از چندین ویژگی Using Multiple Features

  • خلاصه Summary

مقدمه ای بر هوش مصنوعی Google Vertex Introduction to Google Vertex AI

  • معرفی Introduction

  • Vertex AI چیست؟ What Is Vertex AI?

  • ایجاد مجموعه داده ها Creating Datasets

  • آموزش با AutoML Training with AutoML

  • آموزش سفارشی Custom Training

  • دریافت پیش بینی ها Getting Predictions

  • خدمات اضافی Additional Services

  • خلاصه Summary

مقدمه ای بر Google BigQuery ML Introduction to Google BigQuery ML

  • معرفی Introduction

  • ساخت مدل های ML Building ML Models

  • ایجاد یک مدل پایه BQML - قسمت 1 Creating a Basic BQML Model - Part 1

  • ایجاد یک مدل پایه BQML - قسمت 2 Creating a Basic BQML Model - Part 2

  • گزینه های مدل پیشرفته BQML - قسمت 1 Advanced BQML Model Options - Part 1

  • گزینه های مدل پیشرفته BQML - قسمت 2 Advanced BQML Model Options - Part 2

  • خلاصه Summary

شروع با یادگیری عمیق: بهبود عملکرد Getting Started With Deep Learning: Improving Performance

  • معرفی Introduction

  • منحنی های یادگیری Learning Curves

  • منحنی های یادگیری ادامه دارد Learning Curves Continued

  • عادی سازی دسته ای Batch Normalization

  • عادی سازی دسته ای ادامه دارد Batch Normalization Continued

  • ترک تحصیل Dropout

  • ترک تحصیل و منظم سازی Dropout and Regularization

  • افزایش داده ها Data Augmentation

  • یادگیری مستمر Continuous Learning

  • آموزش مستمر Continuous Training

  • جستجوی فراپارامتر Hyperparameter Search

  • جاسازی ها Embeddings

  • جاسازی ها ادامه دارد Embeddings Continued

  • IMDB IMDB

  • تمرین 1 Exercise 1

  • تمرین 2 Exercise 2

  • تمرین 3 Exercise 3

مقدمه ای بر Google BigQuery Introduction to Google BigQuery

  • معرفی Introduction

  • اجرای یک پرس و جو Running a Query

  • قیمت گذاری Pricing

  • ذخیره نتایج پرس و جو Saving Query Results

  • در حال بارگیری داده ها Loading Data

  • صادرات داده ها Exporting Data

  • نتیجه Conclusion

مقدمه ای بر Google Cloud Dataflow Introduction to Google Cloud Dataflow

  • معرفی Introduction

  • ساخت و اجرای یک خط لوله Building and Running a Pipeline

  • استقرار خط لوله در Cloud Dataflow Deploying a Pipeline on Cloud Dataflow

  • تبدیل های سفارشی Custom Transforms

  • تبدیل های مرکب Composite Transforms

  • پنجره Windowing

  • جریان Streaming

  • BigQuery I/O BigQuery I/O

  • در حال اجرا Leaderboard Running LeaderBoard

  • نتیجه Conclusion

نمایش نظرات

CloudAcademy یک پلتفرم آموزش آنلاین است که به کاربران کمک می‌کند مهارت‌های خود را در زمینه محاسبات ابری (Cloud Computing) و فناوری‌های مرتبط با آن ارتقا دهند. این پلتفرم طیف گسترده‌ای از دوره‌های آموزشی، آزمون‌ها و تمرینات عملی را در موضوعاتی مانند AWS، Microsoft Azure، Google Cloud Platform، DevOps، امنیت سایبری و داده‌های بزرگ ارائه می‌دهد.

آموزش آمادگی آزمون مهندسی ماشین یادگیری حرفه ای گوگل
جزییات دوره
9h 11m
114
CloudAcademy CloudAcademy
(آخرین آپدیت)
1,460
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Guy Hummel Guy Hummel

گای اولین وب سایت آموزشی خود را در سال 1995 راه اندازی کرد و از آن زمان به مردم کمک می کند تا فناوری های IT را بیاموزند. او مدیر سیستم، مدرس، مهندس فروش، مدیر فناوری اطلاعات و کارآفرین بوده است. در جدیدترین سرمایه‌گذاری خود، او یک شرکت زیرساخت آموزشی مبتنی بر ابر را تأسیس و رهبری کرد که آزمایشگاه‌های مجازی را برای برخی از بزرگترین فروشندگان نرم‌افزار در جهان فراهم می‌کرد. اشتیاق پسر این است که فناوری پیچیده را برای درک آسان می کند. فعالیت های او در خارج از محل کار شامل فیل سواری و چتربازی (البته نه در همان زمان) بوده است.

Guy Hummel Guy Hummel

گای اولین وب سایت آموزشی خود را در سال 1995 راه اندازی کرد و از آن زمان به مردم کمک می کند تا فناوری های IT را بیاموزند. او مدیر سیستم، مدرس، مهندس فروش، مدیر فناوری اطلاعات و کارآفرین بوده است. در جدیدترین سرمایه‌گذاری خود، او یک شرکت زیرساخت آموزشی مبتنی بر ابر را تأسیس و رهبری کرد که آزمایشگاه‌های مجازی را برای برخی از بزرگترین فروشندگان نرم‌افزار در جهان فراهم می‌کرد. اشتیاق پسر این است که فناوری پیچیده را برای درک آسان می کند. فعالیت های او در خارج از محل کار شامل فیل سواری و چتربازی (البته نه در همان زمان) بوده است.