آموزش خودکارسازی یادگیری ماشین با استفاده از Databricks AutoML

Automate Machine Learning Using Databricks AutoML

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما یاد می دهد که چگونه می توانید مدل های رگرسیون، طبقه بندی و پیش بینی را با استفاده از Databricks AutoML بسازید و آموزش دهید. AutoML آماده سازی داده ها و آموزش مدل را به طور خودکار انجام می دهد، بنابراین به شما امکان می دهد مدل هایی بدون کد بسازید. Databricks AutoML گام مهمی به سوی دموکراتیزه کردن یادگیری ماشین است. AutoML ساخت و آموزش مدل های قوی و بدون کد را برای هر کسی آسان می کند. در این دوره آموزشی Automate Machine Learning Using Databricks AutoML با مفاهیم اولیه Databricks AutoML آشنا می شوید. ابتدا، خواهید دید که چگونه AutoML هر مرحله از فرآیند یادگیری ماشین از آماده سازی داده ها، و پیش پردازش داده ها تا آموزش و ارزیابی مدل را خودکار می کند. در مرحله بعد، ابتدا مدل‌های رگرسیون و طبقه‌بندی را با استفاده از رابط کاربری AutoML برای پیکربندی آموزش مدل خود آموزش می‌دهید، و می‌توانید تنظیمات را برای تلقی مقادیر گمشده، انتخاب چارچوب‌های مدل و ارزیابی مدل‌ها پیکربندی کنید. سپس، یاد خواهید گرفت که از AutoML Python API برای آموزش مدل‌های رگرسیون و طبقه‌بندی استفاده کنید. API پایتون توابع ساده regress() و classify() را ارائه می دهد که می توانید با استفاده از پارامترهای ورودی پیکربندی کنید. در نهایت، شما با مجموعه داده های سری زمانی کار خواهید کرد و مدل های پیش بینی را با استفاده از AutoML UI و AutoML Python API آموزش خواهید داد. پس از اتمام این دوره، می‌توانید با اطمینان از AutoML برای آموزش مدل‌های رگرسیون، طبقه‌بندی و پیش‌بینی استفاده کنید و آن‌ها را برای تولید به کار ببرید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

آموزش مدل‌های رگرسیون و طبقه‌بندی با استفاده از رابط کاربری AutoML Training Regression and Classification Models Using the AutoML UI

  • پیش نیازها و طرح کلی Prerequisites and Outline

  • معرفی Databricks AutoML Introducing Databricks AutoML

  • نسخه ی نمایشی: تنظیم محیط یادگیری ماشین Databricks Demo: Setting up the Databricks Machine Learning Environment

  • نسخه ی نمایشی: ایجاد یک جدول دلتا Demo: Creating a Delta Table

  • نسخه ی نمایشی: پیکربندی یک آزمایش AutoML Demo: Configuring an AutoML Experiment

  • نسخه ی نمایشی: اجرای یک آزمایش AutoML Demo: Running an AutoML Experiment

  • نسخه ی نمایشی: ردیابی معیارها، پارامترها و مصنوعات در اجرای مدل Demo: Tracking Metrics, Parameters, and Artifacts in Model Runs

  • نسخه ی نمایشی: آموزش یک مدل طبقه بندی با استفاده از AutoML Demo: Training a Classification Model Using AutoML

  • نسخه ی نمایشی: مشاهده دفترچه کاوش داده ها Demo: Viewing the Data Exploration Notebook

  • نسخه ی نمایشی: مشاهده نوت بوک برای بهترین مدل Demo: Viewing the Notebook for the Best Model

  • نسخه ی نمایشی: ارائه بهترین مدل و انجام پیش بینی Demo: Serving the Best Model and Making Predictions

آموزش مدل‌های رگرسیون و طبقه‌بندی با استفاده از AutoML Python API Training Regression and Classification Models Using the AutoML Python API

  • معرفی AutoML Python API Introducing the AutoML Python API

  • نسخه ی نمایشی: آموزش یک مدل رگرسیون با استفاده از AutoML Python API Demo: Training a Regression Model Using the AutoML Python API

  • نسخه ی نمایشی: مشاهده نتایج آموزش Demo: Viewing Training Results

  • نسخه ی نمایشی: ایجاد و پر کردن یک جدول ویژگی Demo: Creating and Populating a Feature Table

  • نسخه ی نمایشی: آموزش مدل های AutoML با استفاده از ویژگی های فروشگاه ویژگی Demo: Training AutoML Models Using Features from a Feature Store

  • نسخه ی نمایشی: مقایسه اجراها در یک آزمایش AutoML Demo: Comparing Runs in an AutoML Experiment

  • نسخه ی نمایشی: ثبت و ارائه پیش بینی های مدل Demo: Registering and Serving Model Predictions

آموزش مدل های پیش بینی با استفاده از AutoML Training Forecasting Models Using AutoML

  • معرفی AutoML برای پیش بینی Introducing AutoML for Forecasting

  • نسخه ی نمایشی: پیکربندی آزمایش پیش بینی AutoML Demo: Configuring the AutoML Forecasting Experiment

  • نسخه ی نمایشی: بررسی تجزیه و تحلیل داده ها و بهترین مدل های نوت بوک Demo: Exploring the Data Analysis and Best Model Notebooks

  • نسخه ی نمایشی: آموزش یک مدل پیش بینی با استفاده از AutoML Python API Demo: Training a Forecasting Model Using the AutoML Python API

  • نسخه ی نمایشی: دسترسی و مشاهده پیش بینی های پیش بینی Demo: Accessing and Viewing Forecast Predictions

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش خودکارسازی یادگیری ماشین با استفاده از Databricks AutoML
جزییات دوره
1h 50m
25
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.