لطفا جهت پرداخت (ورود به درگاه بانک) فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش راه اندازی به یادگیری ماشین
Launching into Machine Learning
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره با بحث در مورد داده ها آغاز می شود: چگونگی بهبود کیفیت داده ها و انجام تجزیه و تحلیل داده های اکتشافی. ما Vertex AI AutoML و نحوه ساخت، آموزش و استقرار یک مدل ML را بدون نوشتن یک خط کد توضیح می دهیم. شما ... این دوره با بحث در مورد داده ها آغاز می شود: چگونگی بهبود کیفیت داده ها و انجام تجزیه و تحلیل داده های اکتشافی. ما Vertex AI AutoML و نحوه ساخت، آموزش و استقرار یک مدل ML را بدون نوشتن یک خط کد توضیح می دهیم. شما مزایای Big Query ML را درک خواهید کرد. سپس درباره نحوه بهینهسازی یک مدل یادگیری ماشینی (ML) و اینکه چگونه تعمیم و نمونهگیری میتواند به ارزیابی کیفیت مدلهای ML برای آموزش سفارشی کمک کند، بحث میکنیم.
سرفصل ها و درس ها
معرفی
Introduction
معرفی دوره
Course introduction
داده های خود را بشناسید: داده ها را از طریق تجزیه و تحلیل داده های اکتشافی بهبود دهید
Get to Know Your Data: Improve Data through Exploratory Data Analysis
معرفی
Introduction
بهبود کیفیت داده ها
Improve data quality
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
معرفی آزمایشگاه: کیفیت داده های خود را بهبود بخشید
Lab intro: Improve the quality of your data
آزمایشی آزمایشگاهی: کیفیت داده های خود را بهبود بخشید
Lab Demo: Improve the quality of your data
آزمایشگاه: بهبود کیفیت داده ها
Lab: Improving Data Quality
تجزیه و تحلیل داده های اکتشافی چیست؟
What is exploratory data analysis?
چگونه از EDA در یادگیری ماشین استفاده می شود؟
How is EDA used in machine learning?
تجزیه و تحلیل و تجسم داده ها
Data analysis and visualization
مقدمه آزمایشگاه: داده ها را با استفاده از Python و BigQuery کاوش کنید
Lab intro: Explore the data using Python and BigQuery
آزمایشگاه: تجزیه و تحلیل داده های اکتشافی با استفاده از پایتون و BigQuery
Lab: Exploratory Data Analysis Using Python and BigQuery
منابع: داده های خود را بشناسید: داده ها را از طریق تجزیه و تحلیل داده های اکتشافی بهبود دهید
Resources: Get to Know Your Data: Improve Data through Exploratory Data Analysis
یادگیری ماشینی در عمل
Machine Learning in Practice
معرفی
Introduction
یادگیری تحت نظارت
Supervised learning
رگرسیون خطی
Linear regression
مقدمه آزمایشگاه: مقدمه ای بر رگرسیون خطی
Lab intro: Introduction to linear regression
نسخه آزمایشی آزمایشگاه: مقدمه ای بر رگرسیون خطی
Lab Demo: Intro to Linear Regression
آزمایشگاه: مقدمه ای بر رگرسیون خطی
Lab: Introduction to Linear Regression
رگرسیون لجستیک
Logistic regression
منابع: یادگیری ماشینی در عمل
Resources: Machine Learning in Practice
آموزش مدل های AutoML با استفاده از Vertex AI
Training AutoML Models Using Vertex AI
معرفی
Introduction
یادگیری ماشینی در مقابل یادگیری عمیق
Machine learning vs. deep learning
یادگیری ماشین خودکار چیست؟
What is automated machine learning?
مدل رگرسیون AutoML
AutoML regression model
مدل های AutoML را ارزیابی کنید
Evaluate AutoML models
منابع: آموزش مدل های AutoML با استفاده از Vertex AI
Resources: Training AutoML Models Using Vertex AI
یادگیری ماشینی BigQuery: مدلهای ML را در جایی که دادههای شما زندگی میکنند توسعه دهید
BigQuery Machine Learning: Develop ML Models Where Your Data Lives
معرفی
Introduction
آموزش یک مدل ML با استفاده از BigQuery ML
Training an ML model using BigQuery ML
مدل های پشتیبانی شده از BigQuery Machine Learning
BigQuery Machine Learning supported models
مقدمه آزمایشگاه: استفاده از BigQuery ML برای پیش بینی وزن پنگوئن (هوش مصنوعی قابل توضیح BigQuery ML)
Lab intro: Using BigQuery ML to predict penguin weight (BigQuery ML & Explainable AI)
آزمایشی آزمایشگاهی: استفاده از BigQuery ML برای پیش بینی وزن پنگوئن (هوش مصنوعی قابل توضیح BigQuery ML)
Lab Demo: Using BigQuery ML to predict penguin weight (BigQuery ML & Explainable AI)
آزمایشگاه: استفاده از BigQuery ML برای پیش بینی وزن پنگوئن
Lab: Using BigQuery ML to Predict Penguin Weight
تنظیم فراپارامتر BigQuery ML
BigQuery ML hyperparameter tuning
نحوه ساخت و استقرار یک سیستم توصیه با BigQuery ML
How to build and deploy a recommendation system with BigQuery ML
منابع: BigQuery Machine Learning: مدلهای ML را در جایی که دادههای شما زندگی میکنند توسعه دهید
Resources: BigQuery Machine Learning: Develop ML Models Where Your Data Lives
بهينه سازي
Optimization
معرفی
Introduction
تعریف مدل های ML
Defining ML models
معرفی مجموعه داده های دوره
Introducing the course dataset
مقدمه ای بر توابع از دست دادن
Introduction to loss functions
نزول گرادیان
Gradient descent
عیب یابی منحنی های ضرر
Troubleshooting loss curves
مشکلات مدل ML
ML model pitfalls
آزمایشگاه سخنرانی: معرفی زمین بازی تنسورفلو
Lecture lab: Introducing the TensorFlow Playground
آزمایشگاه سخنرانی: زمین بازی تنسورفلو - پیشرفته
Lecture lab: TensorFlow Playground - Advanced
آزمایشگاه سخنرانی: تمرین با شبکه های عصبی
Lecture lab: Practicing with neural networks
معیارهای عملکرد
Performance metrics
ماتریس سردرگمی
Confusion matrix
منابع: بهینه سازی
Resources: Optimization
تعمیم و نمونه گیری
Generalization and Sampling
معرفی
Introduction
تعمیم و مدل های ML
Generalization and ML models
چه زمانی آموزش مدل را متوقف کنیم
When to stop model training
ایجاد نمونه های قابل تکرار در BigQuery
Creating repeatable samples in BigQuery
نسخه ی نمایشی: تقسیم مجموعه داده ها در BigQuery
Demo: Splitting datasets in BigQuery
منابع: تعمیم و نمونه گیری
Resources: Generalization and Sampling
خلاصه
Summary
خلاصه
Summary
منبع: تمام سوالات مسابقه
Resource: All quiz questions
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.
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.
نمایش نظرات