لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش گردش کار هوش مصنوعی: یادگیری ماشین، تشخیص بصری و NLP
- آخرین آپدیت
دانلود AI Workflow: Machine Learning, Visual Recognition and NLP
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این چهارمین دوره از تخصص گواهینامه گردش کار سازمانی هوش مصنوعی IBM است. اکیداً توصیه میشود این دورهها را به ترتیب تکمیل کنید، زیرا اینها دورههای مستقل نیستند، بلکه بخشی از یک گردش کار هستند که هر دوره بر اساس مفاهیم دورههای قبلی بنا شده است.
دوره چهارم مرحله بعدی از گردش کار را پوشش میدهد که شامل راهاندازی مدلها و خط لولههای داده مرتبط برای یک شرکت فرضی رسانههای استریمینگ است. اولین مبحث به موضوع پیچیده معیارهای ارزیابی میپردازد که در آن بهترین روشها برای تعدادی از معیارهای مختلف از جمله معیارهای رگرسیون، معیارهای طبقهبندی و معیارهای چندکلاسه را خواهید آموخت تا بتوانید بهترین مدل را برای چالش تجاری خود انتخاب کنید. مباحث بعدی، بهترین روشها برای انواع مختلف مدلها از جمله مدلهای خطی، مدلهای مبتنی بر درخت و شبکههای عصبی را پوشش میدهند. همچنین از مدلهای آماده واتسون (Watson) برای درک زبان طبیعی و تشخیص بصری استفاده خواهد شد. مطالعات موردی با تمرکز بر پردازش زبان طبیعی و تحلیل تصویر ارائه میشود تا زمینهای واقعی برای خط لولههای مدل فراهم گردد.
در پایان این دوره شما قادر خواهید بود:
- در مورد معیارهای رایج رگرسیون، طبقهبندی و طبقهبندی چندبرچسبی بحث کنید
- کاربرد رگرسیون خطی و لجستیک را در برنامههای یادگیری نظارت شده توضیح دهید
- استراتژیهای رایج برای جستجوی شبکهای (Grid Search) و اعتبارسنجی متقاطع (Cross-Validation) را شرح دهید
- از معیارهای ارزیابی برای انتخاب مدلهای مناسب جهت استفاده در محیط عملیاتی بهره ببرید
- کاربرد الگوریتمهای مبتنی بر درخت را در یادگیری نظارت شده توضیح دهید
- کاربرد شبکههای عصبی را در برنامههای یادگیری نظارت شده شرح دهید
- در مورد انواع اصلی شبکههای عصبی و پیشرفتهای اخیر بحث کنید
- یک مدل شبکه عصبی در Tensorflow ایجاد کنید
- یک نمونه از تشخیص بصری واتسون (Watson Visual Recognition) ایجاد و آزمایش کنید
- یک نمونه از درک زبان طبیعی واتسون (Watson NLU) ایجاد و آزمایش کنید
چه کسانی باید در این دوره شرکت کنند؟
این دوره برای متخصصان فعلی علوم داده است که در ساخت مدلهای یادگیری ماشین تخصص دارند و میخواهند مهارتهای خود را در ساخت و استقرار هوش مصنوعی در سازمانهای بزرگ deepened کنند. اگر شما یک متقاضی تازهکار علوم داده هستید، این دوره برای شما مناسب نیست زیرا برای بهرهمندی از محتوای این دورهها به تخصص عملی در دنیای واقعی نیاز دارید.
چه مهارتهایی باید داشته باشید؟
فرض بر این است که شما دورههای ۱ تا ۳ تخصص گردش کار سازمانی هوش مصنوعی IBM را به پایان رساندهاید و پیش از شروع این دوره، درک استواری از موضوعات زیر دارید: درک بنیادی از جبر خطی؛ آشنایی با نمونهبرداری، تئوری احتمال و توزیعهای احتمالی؛ دانش مفاهیم آماری توصیفی و استنباطی؛ درک کلی از تکنیکها و بهترین روشهای یادگیری ماشین؛ تسلط عملی بر پایتون و بستههای رایج در علوم داده مانند NumPy، Pandas، matplotlib، scikit-learn؛ آشنایی با IBM Watson Studio و آشنایی با فرآیند تفکر طراحی (Design Thinking).
سرفصل ها و درس ها
ارزیابی مدل و معیارهای عملکرد
Model Evaluation and Performance Metrics
اهداف دوره
Course Objectives
معیارهای ارزیابی
Evaluation Metrics
مقدمهای بر رگرسیون پیشبینی خطی و لجستیک
Introduction to Predictive Linear and Logistic Regression
مدلهای خطی
Linear Models
بررسی کلی سرویس درک زبان طبیعی واتسون
Watson Natural Language Understanding Service Overview
مقدمه مطالعه موردی
Case Study Introduction
ساخت مدلهای یادگیری ماشین و یادگیری عمیق
Building Machine Learning and Deep Learning Models
روشهای مبتنی بر درخت
Tree Based Methods
مقدمهای بر روشهای مبتنی بر درخت
Introduction to Tree Based Methods
شبکههای عصبی
Neural Networks
مقدمهای بر شبکههای عصبی
Introduction to neural networks
بررسی کلی تشخیص بصری IBM Watson
IBM Watson Visual Recognition Overview
نمایش نظرات