آموزش بوت کمپ یادگیری ماشین خودکار AutoML (بدون کد ML)
AutoML Automated Machine Learning BootCamp (No Code ML)
یادگیری ماشینی "بدون کد" (ML) به استفاده از پلتفرم‌ها، ابزارها یا کتابخانه‌های ML اشاره دارد که به کاربران اجازه می‌دهد بدون نوشتن کد، مدل‌های ML را بسازند و اجرا کنند. این رویکرد در نظر گرفته شده است تا ML را برای طیف وسیع تری از کاربران، از جمله کسانی که ممکن است پیشینه برنامه نویسی قوی نداشته باشند، در دسترس قرار دهد.
Amazon SageMaker یک سرویس یادگیری ماشین کاملاً مدیریت شده است که توسط خدمات وب آمازون (AWS) ارائه می‌شود که به توسعه‌دهندگان و دانشمندان داده امکان می‌دهد مدل‌های یادگیری ماشینی را در مقیاس بسازند، آموزش دهند و به کار گیرند. SageMaker همچنین شامل الگوریتم‌های داخلی، کتابخانه‌های از پیش ساخته شده برای وظایف رایج یادگیری ماشین و ابزارهای مختلفی برای پیش پردازش داده، تنظیم مدل و استقرار مدل است. SageMaker همچنین با سایر خدمات AWS ادغام می شود تا یک محیط یادگیری ماشینی کامل را ارائه دهد.
AutoML در SageMaker به انتخاب و تنظیم خودکار مدل‌های یادگیری ماشین برای بهبود دقت و عملکرد مدل‌ها اشاره دارد. این کار را می توان با استفاده از الگوریتم ها و کتابخانه های داخلی SageMaker یا با استفاده از الگوریتم ها و کتابخانه های سفارشی انجام داد. SageMaker همچنین دارای یک ویژگی به نام تنظیم خودکار مدل است که امکان تنظیم پارامترهای فوق العاده مدل ها را برای بهبود عملکرد آنها فراهم می کند.
SageMaker Studio Canvas قابلیتی است که به کاربران امکان می دهد با داده های خود تعامل داشته باشند، گردش کار را بسازند و تجسم کنند، و نوت بوک های Jupyter را ایجاد، اجرا و اشکال زدایی کنند، همه در یک رابط مبتنی بر وب. Canvas یک راه بصری و تعاملی برای کاوش، دستکاری و تجسم داده‌ها ارائه می‌کند و به کاربران اجازه می‌دهد تا نوت‌بوک‌های Jupyter و تکه‌های کد از پیش ساخته‌شده را بکشند و رها کنند، به نام «دستور‌ها» برای انجام سریع پیش پردازش داده‌های رایج، تجسم داده‌ها. ، و وظایف تجزیه و تحلیل داده ها.
SageMaker Studio Canvas همچنین به کاربران این امکان را می دهد که به راحتی دفترچه ها، دستور العمل ها و داده های خود را با سایر کاربران به اشتراک بگذارند و در پروژه ها همکاری کنند. این به ساده‌سازی فرآیند توسعه یادگیری ماشین، تسریع توسعه مدل‌های یادگیری ماشینی و بهبود همکاری بین تیم‌ها کمک می‌کند.
در این دوره خواهید آموخت:
چرخه حیات یک پروژه یادگیری ماشینی
مبانی یادگیری ماشین
رایانش ابری برای یادگیری ماشینی
بوم AWS SageMaker (NO CODE ML)
معرفی Introduction
-
مقدمه دوره Introduction to the Course
مبانی یادگیری ماشین Machine Learning Fundamentals
-
مقدمه یادگیری ماشین Machine Learning Introduction
-
یادگیری ماشینی تحت نظارت Supervised Machine Learning
-
یادگیری ماشینی بدون نظارت Unsupervised Machine Learning
-
چرخه زندگی یادگیری ماشینی Machine Learning LifeCycle
-
معیارهای ارزیابی مدل ML ML Model Evaluation Metrics
پردازش ابری Cloud Computing
-
مقدمه ای بر رایانش ابری Introduction to Cloud Computing
-
شروع کار با AWS Getting started with AWS
-
خدمات مختلف AWS Different AWS Services
AWS SageMaker Canvas Practical AWS SageMaker Canvas Practical
-
پیش بینی دیابت Diabetes Prediction
https://donyad.com/d/9b0a9d
Raj Chhabria
مهندس علوم کامپیوتر با تخصص DataScience
نمایش نظرات