لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مهندسی ویژگی
Feature Engineering
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا می خواهید در مورد فروشگاه ویژگی Vertex AI بدانید؟ آیا می خواهید در مورد فروشگاه ویژگی Vertex AI بدانید؟ آیا می خواهید بدانید چگونه می توانید دقت مدل های ML خود را بهبود بخشید؟ در مورد اینکه چگونه می توان یافت کدام ستون داده ها مفیدترین ویژگی ها را دارند چطور؟ به Feature Engineering خوش آمدید، جایی که ما در مورد ویژگیهای خوب در مقابل بد و اینکه چگونه میتوانید آنها را برای استفاده بهینه در مدلهای خود از قبل پردازش و تغییر دهید، خوش آمدید. این دوره شامل محتوا و آزمایشگاه های مهندسی ویژگی با استفاده از BigQuery ML، Keras و TensorFlow است.
سرفصل ها و درس ها
مقدمه
Introduction
معرفی دوره
Course introduction
معرفی فروشگاه ویژگی های Vertex AI
Introduction to Vertex AI Feature Store
مقدمه
Introduction
مزایای فروشگاه ویژه
Feature Store benefits
اصطلاحات و مفاهیم فروشگاه ویژگی
Feature Store terminology and concepts
مدل داده فروشگاه ویژگی
The Feature Store data model
ایجاد یک فروشگاه ویژه
Creating a Feature Store
ویژگی های سرویس دهی: دسته ای و آنلاین
Serving features: Batch and online
(اختیاری) معرفی آزمایشگاه: استفاده از فروشگاه ویژگی
(Optional) Lab intro: Using Feature Store
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
آزمایشگاه: با استفاده از فروشگاه ویژگی
Lab: Using Feature Store
منابع: مقدمه ای بر فروشگاه ویژگی های Vertex AI
Resources: Introduction to Vertex AI Feature Store
داده های خام به ویژگی ها
Raw Data to Features
مقدمه
Introduction
مروری بر مهندسی ویژگی
Overview of feature engineering
داده های خام به ویژگی ها
Raw data to features
ویژگی های خوب در مقابل ویژگی های بد
Good features versus bad features
ویژگی ها باید در زمان پیش بینی شناخته شوند
Features should be known at prediction-time
ویژگی ها باید عددی باشند
Features should be numeric
ویژگی ها باید نمونه های کافی داشته باشند
Features should have enough examples
آوردن بینش انسانی
Bringing human insight
نشان دهنده ویژگی ها
Representing features
منابع: داده های خام به ویژگی ها
Resources: Raw Data to Features
مهندسی ویژگی
Feature Engineering
مقدمه
Introduction
یادگیری ماشینی در مقابل آمار
Machine learning versus statistics
مهندسی ویژگی های پایه
Basic feature engineering
مقدمه آزمایشگاه: انجام مهندسی ویژگی های پایه در BigQuery ML
Lab intro: Performing Basic Feature Engineering in BigQuery ML
آزمایشگاه: انجام مهندسی ویژگی های پایه در BQML
Lab: Performing Basic Feature Engineering in BQML
پیش پردازش و ایجاد ویژگی
Preprocessing and Feature Creation
مقدمه
Introduction
پرتو آپاچی و جریان داده
Apache Beam and Dataflow
اصطلاحات و مفاهیم جریان داده
Dataflow terms and concepts
منابع: پیش پردازش و ایجاد ویژگی
Resources: Preprocessing and Feature Creation
صلیب های ویژه - زمین بازی TensorFlow
Feature Crosses - TensorFlow Playground
مقدمه
Introduction
متقاطع ویژگی چیست
What is a feature cross
گسسته سازی
Discretization
مقدمه آزمایشگاه: TensorFlow Playground: از صلیب های ویژگی برای ایجاد یک طبقه بندی خوب استفاده کنید
Lab intro: TensorFlow Playground: Use feature crosses to create a good classifier
معرفی آزمایشگاه: TensorFlow Playground: خیلی چیز خوبی است
Lab intro: TensorFlow Playground: Too much of a good thing
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