آموزش انتخاب مدل مناسب یادگیری ماشین (ML) - آخرین آپدیت

دانلود Learn to Choose the Right ML Model

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دوره «انتخاب مدل مناسب یادگیری ماشین» یک دوره سطح متوسط برای دانشمندان داده، مهندسان ML و توسعه‌دهندگانی است که به دنبال اتخاذ تصمیماتی مستدل در انتخاب مدل هستند، نه صرفاً آزمایش و امید به بهترین نتیجه. با تبدیل شدن یادگیری ماشین به موتور محرک سیستم‌های حیاتی کسب‌وکار، موفقیت در گرو عبور از شهود و اتوماسیون فرآیندهای انتخاب و استقرارِ مستحکم، عادلانه و معیار-محور است. در این دوره، شما دسته‌بندی ساختاریافته مسائل را تمرین می‌کنید، خانواده‌های اصلی الگوریتم‌ها را با هم مقایسه می‌کنید و معیارهای دنیای واقعی را برای انتخاب و نظارت بر مدل‌هایی که در محیط عملیاتی کار می‌کنند، به کار می‌گیرید. یادگیری شما از طریق بررسی مطالعات موردی (مانند Zillow، Apple Card و Google Flu Trends)، آزمایشگاه‌های عملی با پایتون و scikit-learn و کوچینگ‌های سناریومحور صورت می‌گیرد. در پایان، شما قادر خواهید بود مسائل ML را قالب‌بندی کنید، مدل‌ها را انتخاب و توجیه نمایید، بررسی‌های عدالت و رانش داده (Drift) را خودکار کنید و خط لوله‌هایی (Pipelines) را مستقر کنید که قابل اعتماد باشند تا راهکارهای شما نه تنها روی کاغذ، بلکه در محیط تولید (Production) موفق شوند.

سرفصل ها و درس ها

درس اول: طبقه‌بندی مسائل یادگیری ماشین و ویژگی‌های داده Lesson 1: Classify ML Problems & Data Characteristics

  • مقدمه و خوش‌آمدگویی Introduction and Welcome

  • چرا تعیین نوع مسئله اهمیت دارد - تغییر در دیدگاه Why Problem Typing Matters — A Shift in Perspective

  • مطالعه موردی Zillow: وقتی قالب‌بندی اشتباه است Zillow Offers: When Framing Goes Wrong

درس دوم: مقایسه خانواده‌های مدل و میزان مناسب بودن Lesson 2: Compare Model Families & Suitability

  • چرا خانواده مدلی که انتخاب می‌کنید همه چیز را تغییر می‌دهد Why the Model Family You Choose Changes Everything

  • انتخاب خانواده مدل مناسب - بدون تقویت سوگیری Choosing the Right Model Family—Without Reinforcing Bias

درس سوم: ارزیابی و انتخاب با گردش‌کارهای معیار-محور Lesson 3: Evaluate & Select with Metrics-Driven Workflows

  • چرا معیارها باید در ساخت هر مدل وجود داشته باشند Why Metrics Belong in Every Model Build

  • چگونه گیت‌های خودکار معیارها از خط لوله شما محافظت می‌کنند How Automated Metric Gates Protect Your Pipeline

  • وقتی عدالت شکست می‌خورد: درس‌هایی از جنجال Apple Card When Fairness Fails: Lessons from the Apple Card Controversy

  • تبریکات و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey

نمایش نظرات

آموزش انتخاب مدل مناسب یادگیری ماشین (ML)
جزییات دوره
2h 45m
9
(آخرین آپدیت)
79
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده