آموزش یادگیری ماشین بدون کد: ساخت و استقرار هوش مصنوعی با داتایکو

دانلود No-Code ML: Build & Deploy AI with Dataiku bestseller

مرورگر شما از این ویدیو پشتیبانی نمی کند.

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:

یادگیری ماشین بدون کدنویسی: ساخت، آموزش و استقرار مدل‌های هوش مصنوعی قدرتمند

آیا مشتاق ورود به دنیای یادگیری ماشین هستید اما از پیچیدگی‌های کدنویسی واهمه دارید؟

این دوره آموزشی، دروازه شما به سوی درک و استفاده از مفاهیم یادگیری ماشین بدون نیاز به نوشتن حتی یک خط کد است. این دوره برای مبتدیان و متخصصان به طور یکسان طراحی شده است و شما را با ترکیبی پویا از سخنرانی‌ها و دموهای عملی، با تئوری و کاربردهای عملی یادگیری ماشین آشنا می‌کند.

آنچه خواهید آموخت:

مفاهیم و مبانی اصلی:

درک کاملی از اصول یادگیری ماشین، شامل مروری بر یادگیری عمیق، تفاوت‌های بین یادگیری ماشین و یادگیری عمیق، و اجزای اصلی این فناوری‌ها به دست آورید. تفاوت‌های بین سیستم‌های مبتنی بر قاعده و سیستم‌های داده‌محور را بررسی کنید و نحوه تعریف مسائل و جمع‌آوری داده‌ها به طور موثر را بیاموزید.
آماده‌سازی داده‌ها و ساخت مدل:

تکنیک‌های اساسی پیش‌پردازش داده مانند نرمال‌سازی، استانداردسازی و مهندسی ویژگی را بیاموزید. با استفاده از پلتفرم‌هایی مانند Kaggle و Dataiku در دموهای عملی غوطه‌ور شوید و کاربردهای واقعی را مشاهده کنید - از ساخت و آموزش مدل تا تکنیک‌های ارزیابی شامل ماتریس‌های درهم‌ریختگی، منحنی‌های ROC و موارد دیگر.
ابزارهای بدون کد و استقرار:

قدرت دگرگون‌کننده ابزارهای یادگیری ماشین بدون کد را کشف کنید. نحوه ساخت، آزمایش، استقرار و نظارت یکپارچه مدل‌ها را بدون نیاز به برنامه‌نویسی سنتی درک کنید. موضوعات پیشرفته مانند عدالت مدل را بررسی کنید و یاد بگیرید که گزارش‌های جامع عدالت مدل تولید کنید.

این دوره برای چه کسانی مناسب است؟

علاقه‌مندان مشتاق به یادگیری ماشین:

اگر در یادگیری ماشین تازه‌کار هستید و یک معرفی واضح و در دسترس بدون مانع کدنویسی می‌خواهید، این دوره برای شماست.
تحلیلگران و متخصصان داده:

با یادگیری نحوه پیاده‌سازی و استقرار سریع راه‌حل‌های یادگیری ماشین با استفاده از پلتفرم‌های بدون کد، مهارت‌های خود را ارتقا دهید.
رهبران و نوآوران کسب‌وکار:

بینشی در مورد استفاده از هوش مصنوعی برای ایجاد تصمیم‌گیری و نوآوری بهتر در سازمان خود به دست آورید.

در پایان این دوره، شما مجهز به دانش و مهارت‌های عملی برای ایجاد مدل‌های یادگیری ماشین قوی با استفاده از پلتفرم‌های بصری و بدون کد خواهید بود. خواه هدف شما ارتقای مهارت در نقش فعلی خود باشد یا تغییر به حوزه رو به رشد هوش مصنوعی، این دوره به شما این امکان را می‌دهد که چالش‌های داده را به فرصت‌های استراتژیک تبدیل کنید. اکنون ثبت‌نام کنید و اولین قدم خود را به‌سوی تسلط بر آینده فناوری بردارید - همه این‌ها بدون نوشتن حتی یک خط کد!

پیش‌نیازها: نیازی به پیشینه فنی یا تجربه برنامه‌نویسی نیست. این دوره طراحی شده است تا شما را در هر مرحله از یادگیری ماشین بدون کد راهنمایی کند.

سرفصل ها و درس ها

مبانی یادگیری ماشین Foundations of Machine Learning

مقدمه Introduction
مرور و اهمیت یادگیری ماشین بدون کد Overview and Importance of No-Code Machine Learning
دامنه یادگیری ماشین Scope of Machine Learning
اجزای اصلی یادگیری ماشین Core Components of Machine Learning
مقدمه ای بر یادگیری عمیق Introduction to Deep Learning
مقایسه ML و DL Comparison of ML and DL
کاربردهای هوش مصنوعی، ML و DL Applications of AI, ML, and DL
انواع یادگیری ماشین Types of Machine Learning
سیستم مبتنی بر قانون در مقابل سیستم داده محور Rule-based vs Data-driven System
برازش مدل Model Fit
تعریف مسئله و جمع آوری داده Problem Definition and Data Collection
پیش پردازش داده Data Preprocessing
مجموعه داده تایتانیک Titanic Dataset
دمو: Kaggle Demo: Kaggle
دمو: وارد کردن داده و انتخاب ویژگی Demo: Data Import and Feature Selection
دمو: رسیدگی به مقادیر گمشده Demo: Handling Missing Values
رسیدگی به داده های از دست رفته Handling Missing Data
دمو: نرمال سازی داده Demo: Data Normalization
دمو: استانداردسازی داده Demo: Data Standardization
دمو: جریان داده Demo: Data Flow
دمو: ساخت مدل Demo: Model Building
دمو: الگوریتم های مدل سازی Demo: Modeling Algorithms
دمو: آموزش مدل Demo: Model Training
دمو: قابلیت توضیح مدل Demo: Model Explainability
دمو: ماتریس درهم ریختگی Demo: Confusion Matrix
ارزیابی مدل با استفاده از ماتریس درهم ریختگی Model Evaluation Using Confusion Matrix
دمو: نمودارهای تصمیم گیری Demo: Decision Charts
دمو: نمودارهای افزایش Demo: Lift Charts
دمو: منحنی های ROC و PR Demo: ROC & PR Curves
دمو: اطلاعات مدل Demo: Model Information
اهمیت ویژگی Feature Importance
مهندسی ویژگی Feature Engineering
انتخاب مدل Model Selection
آزمایش و اعتبارسنجی Testing and Validation
بیش برازش در مقابل کم برازش Overfitting vs. Underfitting
استقرار Deployment
دمو: استقرار مدل Demo: Model Deployment
دمو: امتیاز مدل Demo: Model Score
دمو: تست امتیاز Demo: Score Test
نظارت و نگهداری Monitoring and Maintenance
چرخه عمر یادگیری ماشین Machine Learning Life Cycle
استفاده از سرویس API در Dataiku برای پیش‌بینی مدل Using API Service in Dataiku for Model Prediction.mp4
دمو: سرویس های API Dataiku Demo: Dataiku API Services
دمو: استقرار مدل و مقایسه ارزیابی Demo: Model Deployment and Compare Evaluation
دمو: خروجی به Jupyter Notebook Demo: Export to Jupyter Notebook
بررسی دانش Knowledge Check

ابزارها و کاربردهای یادگیری ماشین بدون کد No-Code Machine Learning Tools and Applications

مقدمه ای بر یادگیری ماشین بدون کد Introduction to No-Code Machine Learning
انگیزه برای ML بدون کد در صنعت Motivation for No-Code ML in Industry
دمو: معرفی پلتفرم بدون کد Demo: No Code Platform Introduction
کار با ابزارهای یادگیری ماشین بدون کد Working with No-Code Machine Learning Tools
کار با داده در پلتفرم های ML بدون کد Working with Data in No-Code ML Platforms
دمو: وارد کردن داده به پلتفرم بدون کد Demo: Data Import into No Code Platform
دمو: تبدیل آدرس IP به آدرس Demo: IP Address to Address
دمو: نقاط جغرافیایی و فاصله Demo: Geopoints and Distance
دمو: تحلیل احساسات - پیش پردازش متن Demo: Sentiment Analysis - Preprocess Text
دمو: تحلیل احساسات - ساخت مدل Demo: Sentiment Analysis - Model Build
ساخت مدل با ابزارهای بدون کد Building Models with No-Code Tools
بررسی دانش Knowledge Check

مباحث پیشرفته در یادگیری ماشین بدون کد Advanced Topics in No-Code Machine Learning

چالش های یادگیری ماشین Machine Learning Challenges
عدم تعادل کلاس Class Imbalance
تفسیرپذیری مدل Model Interpretability
هزینه محاسباتی و ملاحظات اخلاقی Computational Cost and Ethical Consideration
انصاف در مدل های ML Fairness in ML Models
دمو: گزارش انصاف مدل Demo: Model Fairness Report
جانبداری و انصاف در پیش بینی نکول وام - مطالعه موردی Bias and Fairness in Loan Default Prediction – Case Study
بررسی دانش Knowledge Check

آموزش یادگیری ماشین بدون کد: ساخت و استقرار هوش مصنوعی با داتایکو - آخرین آپدیت

دانلود No-Code ML: Build & Deploy AI with Dataiku bestseller

یادگیری ماشین بدون کدنویسی: ساخت، آموزش و استقرار مدل‌های هوش مصنوعی قدرتمند

آنچه خواهید آموخت:

مفاهیم و مبانی اصلی:

آماده‌سازی داده‌ها و ساخت مدل:

ابزارهای بدون کد و استقرار:

این دوره برای چه کسانی مناسب است؟

علاقه‌مندان مشتاق به یادگیری ماشین:

تحلیلگران و متخصصان داده:

رهبران و نوآوران کسب‌وکار:

مبانی یادگیری ماشین Foundations of Machine Learning

مقدمه Introduction

مرور و اهمیت یادگیری ماشین بدون کد Overview and Importance of No-Code Machine Learning

دامنه یادگیری ماشین Scope of Machine Learning

اجزای اصلی یادگیری ماشین Core Components of Machine Learning

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

مقایسه ML و DL Comparison of ML and DL

کاربردهای هوش مصنوعی، ML و DL Applications of AI, ML, and DL

انواع یادگیری ماشین Types of Machine Learning

سیستم مبتنی بر قانون در مقابل سیستم داده محور Rule-based vs Data-driven System

برازش مدل Model Fit

تعریف مسئله و جمع آوری داده Problem Definition and Data Collection

پیش پردازش داده Data Preprocessing

مجموعه داده تایتانیک Titanic Dataset

دمو: Kaggle Demo: Kaggle

دمو: وارد کردن داده و انتخاب ویژگی Demo: Data Import and Feature Selection

دمو: رسیدگی به مقادیر گمشده Demo: Handling Missing Values

رسیدگی به داده های از دست رفته Handling Missing Data

دمو: نرمال سازی داده Demo: Data Normalization

دمو: استانداردسازی داده Demo: Data Standardization

دمو: جریان داده Demo: Data Flow

دمو: ساخت مدل Demo: Model Building

دمو: الگوریتم های مدل سازی Demo: Modeling Algorithms

دمو: آموزش مدل Demo: Model Training

دمو: قابلیت توضیح مدل Demo: Model Explainability

دمو: ماتریس درهم ریختگی Demo: Confusion Matrix

ارزیابی مدل با استفاده از ماتریس درهم ریختگی Model Evaluation Using Confusion Matrix

دمو: نمودارهای تصمیم گیری Demo: Decision Charts

دمو: نمودارهای افزایش Demo: Lift Charts

دمو: منحنی های ROC و PR Demo: ROC & PR Curves

دمو: اطلاعات مدل Demo: Model Information

اهمیت ویژگی Feature Importance

مهندسی ویژگی Feature Engineering

انتخاب مدل Model Selection

آزمایش و اعتبارسنجی Testing and Validation

بیش برازش در مقابل کم برازش Overfitting vs. Underfitting

استقرار Deployment

دمو: استقرار مدل Demo: Model Deployment

دمو: امتیاز مدل Demo: Model Score

دمو: تست امتیاز Demo: Score Test

نظارت و نگهداری Monitoring and Maintenance

چرخه عمر یادگیری ماشین Machine Learning Life Cycle

استفاده از سرویس API در Dataiku برای پیش‌بینی مدل Using API Service in Dataiku for Model Prediction.mp4

دمو: سرویس های API Dataiku Demo: Dataiku API Services

دمو: استقرار مدل و مقایسه ارزیابی Demo: Model Deployment and Compare Evaluation

دمو: خروجی به Jupyter Notebook Demo: Export to Jupyter Notebook

بررسی دانش Knowledge Check

ابزارها و کاربردهای یادگیری ماشین بدون کد No-Code Machine Learning Tools and Applications

مقدمه ای بر یادگیری ماشین بدون کد Introduction to No-Code Machine Learning

انگیزه برای ML بدون کد در صنعت Motivation for No-Code ML in Industry

دمو: معرفی پلتفرم بدون کد Demo: No Code Platform Introduction

کار با ابزارهای یادگیری ماشین بدون کد Working with No-Code Machine Learning Tools

کار با داده در پلتفرم های ML بدون کد Working with Data in No-Code ML Platforms

دمو: وارد کردن داده به پلتفرم بدون کد Demo: Data Import into No Code Platform

دمو: تبدیل آدرس IP به آدرس Demo: IP Address to Address

دمو: نقاط جغرافیایی و فاصله Demo: Geopoints and Distance

دمو: تحلیل احساسات - پیش پردازش متن Demo: Sentiment Analysis - Preprocess Text

دمو: تحلیل احساسات - ساخت مدل Demo: Sentiment Analysis - Model Build

ساخت مدل با ابزارهای بدون کد Building Models with No-Code Tools

بررسی دانش Knowledge Check

مباحث پیشرفته در یادگیری ماشین بدون کد Advanced Topics in No-Code Machine Learning

چالش های یادگیری ماشین Machine Learning Challenges

عدم تعادل کلاس Class Imbalance

تفسیرپذیری مدل Model Interpretability

هزینه محاسباتی و ملاحظات اخلاقی Computational Cost and Ethical Consideration

انصاف در مدل های ML Fairness in ML Models

دمو: گزارش انصاف مدل Demo: Model Fairness Report

جانبداری و انصاف در پیش بینی نکول وام - مطالعه موردی Bias and Fairness in Loan Default Prediction – Case Study

بررسی دانش Knowledge Check