آموزش مدیریت پروژه‌های یادگیری ماشین (Machine Learning) - آخرین آپدیت

دانلود Managing Machine Learning Projects

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره، دومین بخش از تخصص مدیریت محصول هوش مصنوعی توسط دانشکده مهندسی پرات دانشگاه دوک است که بر جنبه‌های عملی مدیریت پروژه‌های یادگیری ماشین تمرکز دارد. در این دوره، گام‌های کلیدی یک پروژه ML، از شناسایی فرصت‌های مناسب برای پیاده‌سازی یادگیری ماشین گرفته تا جمع‌آوری داده‌ها، ساخت مدل، استقرار (Deployment) و نظارت و نگهداری سیستم‌های عملیاتی بررسی می‌شود. شرکت‌کنندگان با فرآیند علم داده و نحوه به‌کارگیری آن برای سازماندهی تلاش‌های ML و همچنین ملاحظات و تصمیمات کلیدی در طراحی سیستم‌های یادگیری ماشین آشنا خواهند شد. در پایان این دوره، شما قادر خواهید بود: ۱) فرصت‌های استفاده از یادگیری ماشین برای حل مشکلات کاربران را شناسایی کنید. ۲) فرآیند علم داده را برای سازماندهی پروژه‌های ML به کار بگیرید. ۳) تصمیمات کلیدی تکنولوژیک در طراحی سیستم‌های ML را ارزیابی کنید. ۴) پروژه‌های ML را از مرحله ایده‌پردازی تا تولید نهایی با استفاده از بهترین متدهای اجرایی رهبری کنید.

سرفصل ها و درس ها

شناسایی فرصت‌های یادگیری ماشین Identifying Opportunities for Machine Learning

  • مرور کلی تخصص Specialization Overview

  • معرفی مدرس Instructor Introduction

  • مرور کلی دوره Course Overiew

  • مقدمه و اهداف Introduction & Objectives

  • شناسایی فرصت‌ها Identifying Opportunities

  • اعتبار سنجی ایده‌های محصول Validating Product Ideas

  • مزایای ML در محصولات Benefits of ML in Products

  • مقایسه ML با روش‌های اکتشافی (Heuristics) ML vs. Heuristics

  • جمع‌بندی ماژول Module Wrap-up

سازماندهی پروژه‌های ML Organizing ML Projects

  • مقدمه و اهداف Introduction and Objectives

  • تفاوت پروژه‌های ML با پروژه‌های نرم‌افزاری ML Projects vs. Software Projects

  • فرآیند علم داده CRISP DM CRISP-DM Data Science Process

  • مطالعه موردی CRISP DM CRISP-DM Case Study

  • سازماندهی تیم Team Organization

  • سازماندهی پروژه Organizing the Project

  • اندازه‌گیری عملکرد Measuring Performance

  • جمع‌بندی ماژول Module Wrap-up

ملاحظات مربوط به داده‌ها Data Considerations

  • مقدمه و اهداف Introduction and Objectives

  • نیازهای داده‌ای Data Needs

  • جمع‌آوری داده‌ها Data Collection

  • حکمرانی و دسترسی به داده‌ها Data Governence & Access

  • پاکسازی داده‌ها Data Cleaning

  • آماده‌سازی داده‌ها برای مدل‌سازی Preparing Data for Modeling

  • تکرارپذیری و نسخه‌بندی Reproducibility & Versioning

  • جمع‌بندی ماژول Module Wrap-up

طراحی سیستم ML و انتخاب تکنولوژی ML System Design & Technology Selection

  • مقدمه و اهداف Introduction and Objectives

  • ملاحظات طراحی سیستم ML ML System Design Considerations

  • مقایسه ابر (Cloud) و لبه (Edge) Cloud vs. Edge

  • یادگیری آنلاین و استنتاج Online Learning & Inference

  • یادگیری ماشین در داده‌های حجیم (Big Data) ML on Big Data

  • انتخاب تکنولوژی ML ML Technology Selection

  • ابزارهای رایج یادگیری ماشین Common ML Tools

  • جمع‌بندی ماژول Module Wrap-up

مدیریت چرخه عمر مدل Model Lifecycle Management

  • مقدمه و اهداف Introduction and Objectives

  • شکست‌های سیستم ML ML System Failures

  • مانیتورینگ سیستم ML ML System Monitoring

  • نگهداری مدل Model Maintenance

  • نسخه‌بندی مدل Model Versioning

  • ملاحظات سازمانی Organizational Considerations

  • جمع‌بندی ماژول Module Wrap-up

  • جمع‌بندی نهایی دوره Course Wrap-up

نمایش نظرات

آموزش مدیریت پروژه‌های یادگیری ماشین (Machine Learning)
جزییات دوره
18h 26m
41
(آخرین آپدیت)
31,171
4.7 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده