لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین در محیط عملیاتی (Machine Learning in Production)
- آخرین آپدیت
دانلود Machine Learning in Production
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره آموزشی یادگیری ماشین در محیط عملیاتی، شما شهود لازم برای طراحی صفر تا صد یک سیستم یادگیری ماشین عملیاتی را کسب خواهید کرد: تعیین دامنه پروژه، نیازهای دادهای، استراتژیهای مدلسازی، و الگوها و فناوریهای استقرار. شما راهکارهایی برای مقابله با چالشهای رایج در محیط عملیاتی مانند ایجاد مدل پایه (Baseline)، مدیریت تغییر مفاهیم (Concept Drift) و انجام تحلیل خطا خواهید آموخت. شما از چارچوبی استاندارد برای توسعه، استقرار و بهبود مستمر یک برنامه یادگیری ماشین عملیاتی پیروی خواهید کرد.
درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال ساخت یک مسیر شغلی موفق در هوش مصنوعی هستید، باید تجربه آمادهسازی پروژهها برای استقرار را نیز کسب کنید. مهندسی یادگیری ماشین برای تولید، مفاهیم بنیادی یادگیری ماشین را با مهارتها و بهترین روشهای توسعه نرمافزار مدرن ترکیب میکند تا بتوانید سیستمهای یادگیری ماشین را با موفقیت در محیطهای واقعی پیادهسازی و نگهداری کنید.
هفته ۱: مروری بر چرخه حیات یادگیری ماشین و استقرار
هفته ۲: چالشها و استراتژیهای مدلسازی
هفته ۳: تعریف داده و مدل پایه
سرفصل ها و درس ها
هفته ۱: مروری بر چرخه حیات یادگیری ماشین و استقرار
Week 1: Overview of the ML Lifecycle and Deployment
خوشآمدگویی
Welcome
مراحل یک پروژه یادگیری ماشین
Steps of an ML Project
مطالعه موردی: تشخیص گفتار
Case study: speech recognition
سرفصلهای دوره
Course outline
چالشهای کلیدی
Key challenges
الگوهای استقرار
Deployment patterns
مانیتورینگ
Monitoring
مانیتورینگ خط لوله داده
Pipeline monitoring
هفته ۲: چالشها و استراتژیهای مدلسازی
Week 2: Modeling Challenges and Strategies
مروری بر مدلسازی
Modeling overview
چالشهای کلیدی
Key challenges
چرا خطای متوسط پایین کافی نیست؟
Why low average error isn't good enough
ایجاد یک مدل پایه (Baseline)
Establish a baseline
نکاتی برای شروع کار
Tips for getting started
مثال تحلیل خطا
Error analysis example
اولویتبندی کارها
Prioritizing what to work on
مجموعهدادههای نامتوازن (Skewed)
Skewed datasets
ارزیابی عملکرد
Performance auditing
توسعه هوش مصنوعی دادهمحور
Data-centric AI development
تصویری مفید از افزایش داده (Data Augmentation)
A useful picture of data augmentation
افزایش داده (Data Augmentation)
Data augmentation
آیا اضافه کردن داده میتواند مضر باشد؟
Can adding data hurt?
افزودن ویژگیها
Adding features
ردیابی آزمایشها
Experiment tracking
از کلانداده به دادههای باکیفیت
From big data to good data
هفته ۳: تعریف داده و مدل پایه
Week 3: Data Definition and Baseline
چرا تعریف داده دشوار است؟
Why is data definition hard?
مثالهای بیشتر از ابهام در برچسبگذاری
More label ambiguity examples
انواع اصلی مشکلات داده
Major types of data problems
دادههای کوچک و ثبات برچسبها
Small data and label consistency
نمایش نظرات