آموزش راه اندازی به یادگیری ماشین

Launching into Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: با شروع از تاریخچه یادگیری ماشین، در مورد اینکه چرا شبکه‌های عصبی امروزه در انواع مشکلات عملکرد خوبی دارند، بحث می‌کنیم. سپس در مورد چگونگی راه اندازی یک مشکل یادگیری نظارت شده و یافتن راه حل مناسب با استفاده از شیب نزول بحث می کنیم. این شامل ایجاد مجموعه داده هایی است که امکان تعمیم را فراهم می کند. ما در مورد روش های انجام این کار به روشی تکرارپذیر صحبت می کنیم تا از آزمایش پشتیبانی شود.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • معرفی Introduction

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

ML عملی Practical ML

  • مقدمه ای بر ML عملی Introduction to Practical ML

  • مقدمه ای بر ML عملی Introduction to Practical ML

  • یادگیری تحت نظارت Supervised Learning

  • یادگیری تحت نظارت Supervised Learning

  • رگرسیون و طبقه بندی Regression and Classification

  • رگرسیون و طبقه بندی Regression and Classification

  • تاریخچه کوتاه ML: رگرسیون خطی Short history of ML: Linear Regression

  • تاریخچه کوتاه ML: رگرسیون خطی Short history of ML: Linear Regression

  • تاریخچه کوتاه ML: Perceptron Short history of ML: Perceptron

  • تاریخچه کوتاه ML: Perceptron Short history of ML: Perceptron

  • تاریخچه کوتاه ML: شبکه های عصبی Short history of ML: Neural Networks

  • تاریخچه کوتاه ML: شبکه های عصبی Short history of ML: Neural Networks

  • تاریخچه کوتاه ML: Decision Trees Short history of ML: Decision Trees

  • تاریخچه کوتاه ML: Decision Trees Short history of ML: Decision Trees

  • تاریخچه کوتاه ML: روش های هسته Short history of ML: Kernel Methods

  • تاریخچه کوتاه ML: روش های هسته Short history of ML: Kernel Methods

  • تاریخچه کوتاه ML: جنگل های تصادفی Short history of ML: Random Forests

  • تاریخچه کوتاه ML: جنگل های تصادفی Short history of ML: Random Forests

  • تاریخچه کوتاه ML: شبکه های عصبی مدرن Short history of ML: Modern Neural Networks

  • تاریخچه کوتاه ML: شبکه های عصبی مدرن Short history of ML: Modern Neural Networks

بهينه سازي Optimization

  • مقدمه ای بر بهینه سازی Introduction to Optimization

  • مقدمه ای بر بهینه سازی Introduction to Optimization

  • تعریف مدل های ML Defining ML Models

  • تعریف مدل های ML Defining ML Models

  • معرفی مجموعه داده های دوره Introducing the Course Dataset

  • معرفی مجموعه داده های دوره Introducing the Course Dataset

  • معرفی توابع ضرر Introducing Loss Functions

  • معرفی توابع ضرر Introducing Loss Functions

  • گرادیان نزول Gradient Descent

  • گرادیان نزول Gradient Descent

  • عیب یابی منحنی ضرر Troubleshooting a Loss Curve

  • عیب یابی منحنی ضرر Troubleshooting a Loss Curve

  • مشکلات مدل ML ML Model Pitfalls

  • مشکلات مدل ML ML Model Pitfalls

  • فعالیت: معرفی زمین بازی تنسورفلو Activity: Introducing the TensorFlow Playground

  • فعالیت: معرفی زمین بازی تنسورفلو Activity: Introducing the TensorFlow Playground

  • فعالیت: TensorFlow Playground - پیشرفته Activity: TensorFlow Playground - Advanced

  • فعالیت: TensorFlow Playground - پیشرفته Activity: TensorFlow Playground - Advanced

  • فعالیت: تمرین با شبکه های عصبی Activity: Practicing with Neural Networks

  • فعالیت: تمرین با شبکه های عصبی Activity: Practicing with Neural Networks

  • فعالیت: عیب یابی منحنی ضرر Activity: Loss Curve Troubleshooting

  • فعالیت: عیب یابی منحنی ضرر Activity: Loss Curve Troubleshooting

  • معیارهای عملکرد Performance Metrics

  • معیارهای عملکرد Performance Metrics

  • ماتریس سردرگمی Confusion Matrix

  • ماتریس سردرگمی Confusion Matrix

تعمیم و نمونه گیری Generalization and Sampling

  • مقدمه ای بر تعمیم و نمونه گیری Introduction to Generalization and Sampling

  • مقدمه ای بر تعمیم و نمونه گیری Introduction to Generalization and Sampling

  • تعمیم و مدل های ML Generalization and ML Models

  • تعمیم و مدل های ML Generalization and ML Models

  • چه زمانی باید آموزش مدل را متوقف کرد When to Stop Model Training

  • چه زمانی باید آموزش مدل را متوقف کرد When to Stop Model Training

  • ایجاد نمونه های قابل تکرار در BigQuery Creating Repeatable Samples in BigQuery

  • ایجاد نمونه های قابل تکرار در BigQuery Creating Repeatable Samples in BigQuery

  • نسخه ی نمایشی: ایجاد نمونه های قابل تکرار در BigQuery Demo: Creating Repeatable Samples in BigQuery

  • نسخه ی نمایشی: ایجاد نمونه های قابل تکرار در BigQuery Demo: Creating Repeatable Samples in BigQuery

  • معرفی آزمایشگاه: ایجاد تقسیم‌های قابل تکرار در مجموعه داده Lab Intro: Creating Repeatable Dataset Splits

  • معرفی آزمایشگاه: ایجاد تقسیم‌های قابل تکرار در مجموعه داده Lab Intro: Creating Repeatable Dataset Splits

  • آزمایشگاه: [ML on GCP C2] ایجاد تقسیم‌های تکرارپذیر در BigQuery Lab: [ML on GCP C2] Creating repeatable splits in BigQuery

  • آزمایشگاه: [ML on GCP C2] ایجاد تقسیم‌های تکرارپذیر در BigQuery Lab: [ML on GCP C2] Creating repeatable splits in BigQuery

  • راه حل آزمایشگاهی - ایجاد تقسیمات قابل تکرار مجموعه داده Lab Solution - Creating Repeatable Dataset Splits

  • راه حل آزمایشگاهی - ایجاد تقسیمات قابل تکرار مجموعه داده Lab Solution - Creating Repeatable Dataset Splits

  • معرفی آزمایشگاه: کاوش و ایجاد مجموعه داده های ML Lab Intro: Exploring and Creating ML Datasets

  • معرفی آزمایشگاه: کاوش و ایجاد مجموعه داده های ML Lab Intro: Exploring and Creating ML Datasets

  • آزمایشگاه: [ML on GCP C2] کاوش و ایجاد مجموعه داده های ML Lab: [ML on GCP C2] Exploring and Creating ML Datasets

  • آزمایشگاه: [ML on GCP C2] کاوش و ایجاد مجموعه داده های ML Lab: [ML on GCP C2] Exploring and Creating ML Datasets

  • راه حل آزمایشگاهی - کاوش و ایجاد مجموعه داده های ML Lab Solution - Exploring and Creating ML Datasets

  • راه حل آزمایشگاهی - کاوش و ایجاد مجموعه داده های ML Lab Solution - Exploring and Creating ML Datasets

خلاصه Summary

  • خلاصه Summary

  • خلاصه Summary

نمایش نظرات

نظری ارسال نشده است.

آموزش راه اندازی به یادگیری ماشین
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
3h 18m
74
Pluralsight (پلورال سایت) pluralsight-small
12 مرداد 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
4
از 5
دارد
دارد
دارد
Google Cloud

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.