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

  • بهبود ثبات برچسب‌گذاری Improving label consistency

  • عملکرد در سطح انسانی (HLP) Human level performance (HLP)

  • افزایش عملکرد در سطح انسانی Raising HLP

  • به‌دست آوردن داده Obtaining data

  • خط لوله‌های داده (Data Pipelines) Data pipelines

  • فراداده، منشأ داده و تبارشناسی داده Meta-data, data provenance and lineage

  • تقسیم‌بندی متوازن داده‌های آموزش/توسعه/تست Balanced train/dev/test splits

  • تعیین دامنه (Scoping) چیست؟ What is scoping?

  • فرآیند تعیین دامنه Scoping process

  • بررسی امکان‌سنجی و ارزش پروژه Diligence on feasibility and value

  • بررسی ارزش پروژه Diligence on value

  • نقاط عطف و تخصیص منابع Milestones and resourcing

  • مروری بر پروژه نهایی Final project overview

نمایش نظرات

آموزش یادگیری ماشین در محیط عملیاتی (Machine Learning in Production)
جزییات دوره
11h 8m
41
(آخرین آپدیت)
162,950
4.9 از 5
دارد
دارد
دارد
Andrew Ng
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar