لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش آمازون SageMaker
Learning Amazon SageMaker
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
SageMaker راه حل آمازون برای توسعه دهندگانی است که می خواهند مدل های پیش بینی یادگیری ماشین را در یک محیط تولید به کار گیرند. برنامه نویسی در پایتون انجام می شود و نتایج به راحتی می توانند در برنامه های مبتنی بر ابر ادغام شوند. این درس ها کل روند کار آمازون SageMaker را بررسی می کند: تجزیه و تحلیل ، ساخت و استقرار نهایی. مربی مارتین کمکا مزایای Amazon SageMaker را معرفی کرده و رابط کاربری و مجموعه ابزارهای مبتنی بر مرورگر آن را مرور می کند. در فصل دوم ، وی نحوه وارد کردن ، تحقیق ، تجسم و خلاصه کردن داده های شما را نشان می دهد. مرحله بعدی استفاده از یک نمونه داده پاک برای آموزش مدل یادگیری ماشین برای انجام یک کار اساسی است. سرانجام ، مارتین نحوه استقرار مدل را نشان می دهد. تقریباً هر فصل با یک چالش به پایان می رسد که به شما امکان می دهد مهارت های جدید SageMaker خود را تمرین کنید.
موضوعات شامل:
مزایای SageMaker
وارد کردن داده li>
بررسی داده ها li>
تجسم داده ها li>
تمیز کردن داده ها li>
آموزش مدل li>
استفاده از مدل li>
آزمایش مدل مستقر li>
سرفصل ها و درس ها
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
Introduction
یادگیری ماشین با Amazon SageMaker
Machine learning with Amazon SageMaker
آنچه باید بدانید
What you should know
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
1. Introduction to SageMaker
Amazon SageMaker چیست؟
What is Amazon SageMaker?
Amazon SageMaker چگونه کار می کند؟
How does Amazon SageMaker work?
مزایای Amazon SageMaker
Benefits of Amazon SageMaker
تعامل با Amazon SageMaker
Interacting with Amazon SageMaker
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
2. Analyze Data
ابزارهای تحلیل داده
Data analysis tools
بارگیری و وارد کردن داده ها
Download and import data
داده ها را بررسی کنید
Investigate data
تجسم داده ها: دسته بندی ها
Data visualization: Categories
تجسم داده ها: عددی
Data visualization: Numerical
ابزار خلاصه داده ها
Data summary tools
چالش: یک مجموعه داده را شرح دهید
Challenge: Describe a dataset
راه حل: یک مجموعه داده را شرح دهید
Solution: Describe a dataset
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
3. Build Models
تمیز کردن داده ها
Cleaning up the data
تهیه مجموعه آموزش مدل
Preparing the model training set
آموزش مدل
Model training
بررسی نتایج آموزش مدل
Checking model training results
چالش: یک مدل اساسی را آموزش دهید
Challenge: Train a basic model
راه حل: یک مدل اساسی را آموزش دهید
Solution: Train a basic model
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
4. Deploy Models
استقرار مدل آموزش دیده
Deploy trained model
آزمایش مدل مستقر برای رکورد تک
Test deployed model for single record
مدل مستقر برای رکوردهای متعدد
Test deployed model for multiple records
چالش: انتقال مدل به سرور
Challenge: Transfer model to server
راه حل: انتقال مدل به سرور
Solution: Transfer model to server
برای دقت مدل را مرور کنید
Review the model for accuracy
1. شروع به کار در Blockchain و Hyperledger2. مفاهیم Hyperledger
Conclusion
مارتین کمکا بنیانگذار Northraine ، یک خانه تولید ماشین یادگیری است. مارتین کمکا بنیانگذار Northraine ، یک خانه تولیدی برای یادگیری ماشین است.
در طول دهه گذشته ، مارتین راه حل های پیشگویی تحلیلی پیش بینی را برای تعدادی از شرکت ها از جمله GE ، Equifax ، D B ، بانک جهانی و زیراکس هدایت ، طراحی و ایجاد کرده است. وی همچنین به الگوریتم ها و تحقیقات pro bono در نهادهای جهانی حقوق بشر و اجتماعی کمک کرده است. از طریق مشارکت دانشگاهی ، Northraine به یک مشاوره تبدیل شده است که 40٪ از وقت خود را صرف تحقیق و 60٪ از زمان را برای طراحی الگوریتم های "بهبود شرایط انسانی" می گذراند. در http://www.northraine.com/اطلاعات بیشتری کسب کنید.
نمایش نظرات