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

  • منبع: همه مطالب خوانده شده Resource: All readings

  • منبع: همه اسلایدها Resource: All slides

نمایش نظرات

آموزش راه اندازی به یادگیری ماشین
جزییات دوره
4h 9m
59
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

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.