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. 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
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