آموزش مهندسی داده برای یادگیری ماشین - آخرین آپدیت

دانلود Data Engineering for Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: در این دوره، شما خط لوله‌های ingest داده مقیاس‌پذیر را خواهید ساخت، تکنیک‌های مهندسی ویژگی (Feature Engineering) را پیاده‌سازی کرده و استراتژی‌های اتوماسیون را بررسی می‌کنید و در عین حال به ملاحظات اخلاقی که بر عملکرد و قابلیت اطمینان مدل تأثیر می‌گذارند، خواهید پرداخت. در دوره مهندسی داده برای یادگیری ماشین، تخصص عملی در آماده‌سازی، اعتبارسنجی و تبدیل داده‌های خام به مجموعه‌داده‌های باکیفیت و آماده برای مدل‌های یادگیری ماشین کسب خواهید کرد. ابتدا با درک مفاهیم اصلی مهندسی داده شروع می‌کنید و روش‌های جمع‌آوری و جذب بهینه داده‌ها از منابع متنوع مانند APIها، پایگاه‌های داده، فایل‌های CSV و JSON را بررسی خواهید کرد. از طریق دموهای عملی پایتون در محیط VS Code و استفاده از کتابخانه‌هایی مانند Pandas، خط لوله‌های جذب داده‌ای می‌سازید که قادر به مدیریت جریان‌های داده دسته‌ای (Batch) و بلادرنگ (Real-time) باشند. سپس، تکنیک‌های ضروری برای پاک‌سازی، پیش‌پردازش و اعتبارسنجی داده‌ها را برای تضمین دقت و کیفیت می‌آموزید که تأثیر بسزایی بر عملکرد مدل‌های ML دارد. در نهایت، بهترین روش‌ها برای اتوماسیون خط لوله‌ها، مدیریت حجم رو به رشد داده‌ها و یکپارچه‌سازی فرآیندهای مهندسی ویژگی را خواهید آموخت؛ در حالی که رعایت اصول اخلاقی مانند پیشگیری از سوگیری و حریم خصوصی داده‌ها را تضمین می‌کنید. در پایان این دوره، شما مهارت‌های عملی و دانش کاربردی لازم برای طراحی خط لوله‌های داده‌ای مستحکم، مقیاس‌پذیر و اخلاقی را خواهید داشت و زیربنای لازم برای práticas پیشرفته MLOps را ایجاد خواهید کرد.

سرفصل ها و درس ها

مهندسی داده از جمع‌آوری تا آموزش Data Engineering from Collection to Training

مقدمه‌ای بر مهندسی داده Introduction to Data Engineering
جمع‌آوری و گردآوری داده‌ها Data Collection and Gathering
پاک‌سازی و پیش‌پردازش داده‌ها Data Cleaning and Preprocessing
اعتبارسنجی داده‌ها و آماده‌سازی برای آموزش Data Validation and Preparation for Training

ایجاد خط لوله جذب داده مقیاس‌پذیر Creating a Scalable Data Ingestion Pipeline

اصول جذب داده‌های مقیاس‌پذیر Principles of Scalable Data Ingestion
جذب عملی داده‌ها از منابع متعدد Practical Ingestion from Multiple Sources
مهندسی ویژگی و اعتبارسنجی در خط لوله‌ها Feature Engineering and Validation in Pipelines
ساخت یک خط لوله داده مقیاس‌پذیر Building a Scalable Data Pipeline