آموزش تشخیص ناهنجاری های داده ها با استفاده از تکنیک های یادگیری عمیق با TensorFlow 2.4

Detecting Data Anomalies using Deep Learning Techniques with TensorFlow 2.4

Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیویی برای نمایش وجود ندارد.
      توضیحات دوره: این دوره به شما یاد می دهد که چگونه الگوریتم های یادگیری عمیق را برای شناسایی و کاهش ناهنجاری ها در داده ها مانند سری های زمانی ایجاد کنید. در این دوره، تشخیص ناهنجاری های داده ها با استفاده از تکنیک های یادگیری عمیق با TensorFlow 2.4، یاد خواهید گرفت که الگوهای خاص را در مجموعه داده های بزرگ تشخیص دهید. که می تواند به عنوان ناهنجاری برچسب گذاری شود. ابتدا، نحوه تعریف دقیق ناهنجاری ها در داده ها را بررسی خواهید کرد. در مرحله بعد، الگوریتم های تشخیص را کشف خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه داده های غیرعادی را کاهش دهید. پس از اتمام این دوره، مهارت ها و دانش ایجاد الگوریتم های یادگیری ماشینی مورد نیاز برای مقابله با ناهنجاری های مختلف در داده ها را خواهید داشت.

      سرفصل ها و درس ها

      بررسی اجمالی دوره Course Overview

      • بررسی اجمالی دوره Course Overview

      مقدمه Introduction

      • مقدمه Introduction

      • خلاصه Summary

      • روش های آماری Statistical Methods

      • پیش نیازها Prerequisites

      تجزیه و تحلیل داده های اکتشافی Exploratory Data Analysis

      • یافتن مجموعه داده Finding a Dataset

      • نسخه ی نمایشی: EDA قسمت 1 Demo: EDA Part 1

      • نسخه ی نمایشی: EDA قسمت 2 Demo: EDA Part 2

      تعریف و انواع ناهنجاری Definition and Anomaly Types

      • طبقه بندی Taxonomy

      • داده های واقعی Real Data

      الگوریتم های تشخیص Detection Algorithms

      • نسخه ی نمایشی: رویکردهای آماری قسمت 1 Demo: Statistical Approaches Part 1

      • نسخه ی نمایشی: رویکردهای آماری قسمت 2 Demo: Statistical Approaches Part 2

      • نسخه ی نمایشی: رویکردهای یادگیری عمیق قسمت 1 Demo: Deep-Learning Approaches Part 1

      • نسخه ی نمایشی: رویکردهای یادگیری عمیق قسمت 2 Demo: Deep-Learning Approaches Part 2

      تکنیک های کاهش Mitigation Techniques

      • تکنیک ها و معیارها Techniques and Metrics

      نمایش نظرات

      آموزش تشخیص ناهنجاری های داده ها با استفاده از تکنیک های یادگیری عمیق با TensorFlow 2.4
      جزییات دوره
      1h 32m
      15
      Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
      (آخرین آپدیت)
      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

      Andrei Pruteanu Andrei Pruteanu

      آندری یک دانشمند پرشور داده است. او کار خود را در صنعت در صنعت خودرو آغاز کرد. پس از آن وی دکترای خود را در دانشگاه CS در دانشگاه صنعتی دلفت هلند گذراند. وی از زمان فارغ التحصیلی تحصیلات خود ، با مجموعه داده های بزرگی در حوزه های مختلف از تحقیقات علمی ، انرژی و تاسیسات کار می کرد. در حال حاضر وی مشاور در Data Science است و عمدتا با ابزار NLP کار می کند. او از حضور در جامعه تحلیلی لذت می برد و به طور مرتب به کنفرانس ها و دیدارهای خاص می پیوندد.