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

آموزش گردش کار هوش مصنوعی: یادگیری ماشین، تشخیص بصری و NLP
جزییات دوره
13h 41m
11
(آخرین آپدیت)
11,158
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar