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. 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. مزایای Big Query ML را خواهید فهمید. 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

  • 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

  • تجزیه و تحلیل و تجسم داده ها Data analysis and visualization

  • Pluralsight: شروع به کار با GCP و Qwiklabs Pluralsight: Getting Started with GCP and Qwiklabs

  • آزمایشی آزمایشگاهی: کیفیت داده های خود را بهبود بخشید Lab Demo: Improve the quality of your data

  • معرفی Introduction

  • بهبود کیفیت داده ها Improve data quality

  • تجزیه و تحلیل داده های اکتشافی چیست؟ What is exploratory data analysis?

  • آزمایشگاه: تجزیه و تحلیل داده های اکتشافی با استفاده از پایتون و BigQuery Lab: Exploratory Data Analysis Using Python and BigQuery

  • مقدمه آزمایشگاه: داده ها را با استفاده از Python و BigQuery کاوش کنید Lab intro: Explore the data using Python and BigQuery

  • چگونه از EDA در یادگیری ماشین استفاده می شود؟ How is EDA used in machine learning?

  • معرفی آزمایشگاه: کیفیت داده های خود را بهبود بخشید Lab intro: Improve the quality of your data

  • آزمایشگاه: بهبود کیفیت داده ها Lab: Improving Data Quality

یادگیری ماشینی در عمل Machine Learning in Practice

  • یادگیری تحت نظارت Supervised learning

  • رگرسیون خطی Linear regression

  • مقدمه آزمایشگاه: مقدمه ای بر رگرسیون خطی Lab intro: Introduction to linear regression

  • منابع: یادگیری ماشینی در عمل Resources: Machine Learning in Practice

  • آزمایشگاه: مقدمه ای بر رگرسیون خطی Lab: Introduction to Linear Regression

  • نسخه آزمایشی آزمایشگاه: مقدمه ای بر رگرسیون خطی Lab Demo: Intro to Linear Regression

  • رگرسیون لجستیک Logistic regression

  • معرفی Introduction

آموزش مدل های AutoML با استفاده از Vertex AI Training AutoML Models Using Vertex AI

  • یادگیری ماشینی در مقابل یادگیری عمیق Machine learning vs. deep learning

  • معرفی Introduction

  • (اختیاری) آزمایشی آزمایشگاهی: آموزش مدل طبقه بندی AutoML (داده های ساختاریافته) (Optional) Lab Demo: Training an AutoML classification model (Structured data)

  • (اختیاری) مقدمه آزمایشگاه: آموزش مدل طبقه بندی AutoML (داده های ساختاریافته) (Optional) Lab intro: Training an AutoML classification model (Structured data)

  • مدل رگرسیون AutoML AutoML regression model

  • منابع: آموزش مدل های AutoML با استفاده از Vertex AI Resources: Training AutoML Models Using Vertex AI

  • مدل های AutoML را ارزیابی کنید Evaluate AutoML models

  • آزمایشگاه: آموزش مدل طبقه بندی AutoML - داده های ساختاریافته Lab: Training an AutoML Classification Model - Structured Data

  • یادگیری ماشین خودکار چیست؟ What is automated machine learning?

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

  • تنظیم فراپارامتر BigQuery ML BigQuery ML hyperparameter tuning

  • آزمایشگاه: استفاده از تنظیم فراپارامتر BigQuery ML برای بهبود عملکرد مدل Lab: Using the BigQuery ML Hyperparameter Tuning to Improve Model Performance

  • آزمایشگاه: استفاده از BigQuery ML برای پیش بینی وزن پنگوئن Lab: Using BigQuery ML to Predict Penguin Weight

  • معرفی Introduction

  • نحوه ساخت و استقرار یک سیستم توصیه با BigQuery ML How to build and deploy a recommendation system with BigQuery ML

  • آموزش یک مدل ML با استفاده از BigQuery ML Training an ML model using BigQuery ML

  • (اختیاری) معرفی آزمایشگاه: استفاده از تنظیم فراپارامتر BigQuery ML برای بهبود عملکرد مدل (Optional) Lab intro: Using the BigQuery ML hyperparameter tuning to improve model performance

  • 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

  • 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)

بهينه سازي Optimization

  • معیارهای عملکرد Performance metrics

  • نزول گرادیان Gradient descent

  • منابع: بهینه سازی Resources: Optimization

  • ماتریس سردرگمی Confusion matrix

  • معرفی مجموعه داده های دوره Introducing the course dataset

  • مشکلات مدل ML ML model pitfalls

  • تعریف مدل های ML Defining ML models

  • آزمایشگاه سخنرانی: زمین بازی تنسورفلو - پیشرفته Lecture lab: TensorFlow Playground - Advanced

  • مقدمه آزمایشگاه: با استفاده از Tensorflow Playground، درک شهودی از شبکه های عصبی ایجاد کنید Lab intro: Develop an intuitive understanding of neural networks using Tensorflow Playground

  • معرفی Introduction

  • عیب یابی منحنی های ضرر Troubleshooting loss curves

  • مقدمه ای بر توابع از دست دادن Introduction to loss functions

  • آزمایشگاه سخنرانی: معرفی زمین بازی تنسورفلو Lecture lab: Introducing the TensorFlow Playground

  • آزمایشگاه سخنرانی: تمرین با شبکه های عصبی Lecture lab: Practicing with neural networks

تعمیم و نمونه گیری Generalization and Sampling

  • معرفی Introduction

  • منابع: تعمیم و نمونه گیری Resources: Generalization and Sampling

  • تعمیم و مدل های ML Generalization and ML models

  • چه زمانی آموزش مدل را متوقف کنیم When to stop model training

  • نسخه ی نمایشی: تقسیم مجموعه داده ها در BigQuery Demo: Splitting datasets in BigQuery

  • ایجاد نمونه های قابل تکرار در BigQuery Creating repeatable samples in BigQuery

خلاصه Summary

  • منبع: همه مطالب خوانده شده Resource: All readings

  • منبع: همه اسلایدها Resource: All slides

  • منبع: تمام سوالات مسابقه Resource: All quiz questions

  • خلاصه Summary

نمایش نظرات

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.

آموزش راه اندازی به یادگیری ماشین
جزییات دوره
4h 20m
65
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.