آموزش ارزیابی اثربخشی مدل در Microsoft Azure

Evaluating Model Effectiveness in Microsoft Azure

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره برای پزشکان علوم داده ای است که با سرویس یادگیری ماشین Azure کار می کنند و به دنبال بهبود دقت ، کارایی و توضیح پذیری مدل ML خود هستند. متخصصان علم و یادگیری ماشین داده ها به طور خستگی ناپذیر برای بهبود کیفیت مدل های ML خود کار می کنند. در این دوره ، ارزیابی اثربخشی مدل در Microsoft Azure ، شما یاد خواهید گرفت که چگونه از Azure Machine Learning Studio برای بهبود مدل های خود استفاده کنید. ابتدا یاد خواهید گرفت که چگونه اثربخشی مدل را در Azure ارزیابی کنید. در مرحله بعدی ، خواهید فهمید که چگونه با حذف نصب بیش از حد و اجرای مجموعه ، عملکرد مدل بهبود می یابد. سرانجام ، شما نحوه ارزیابی تفسیرپذیری مدل ML را کشف خواهید کرد. وقتی این دوره را به پایان رسانید ، مهارت و دانش یادگیری ماشین لاجوردی را خواهید داشت که برای اطمینان از سازگاری ، دقت و توضیح مدلهای ML شما لازم است.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

ارزیابی اثربخشی مدل Evaluating Model Effectiveness

  • بررسی اجمالی Overview

  • اصطلاحات مقدماتی Preliminary Terminology

  • امتیاز دهی و ارزیابی یک خط لوله Azure ML Scoring and Evaluating an Azure ML Pipeline

  • نسخه ی نمایشی: بازرسی خط لوله Azure ML Demo: Inspecting an Azure ML Pipeline

  • نسخه ی نمایشی: امتیازدهی و ارزیابی مدل خط لوله Demo: Scoring and Evaluating the Pipeline Model

  • خلاصه Summary

بهبود عملکرد مدل Improving Model Performance

  • بررسی اجمالی Overview

  • شناسایی و جلوگیری از نصب بیش از حد Detecting and Preventing Overfitting

  • یادگیری ماشین خودکار لاجوردی Azure Automated Machine Learning

  • نسخه ی نمایشی: ایجاد یک آزمایش ML خودکار Demo: Creating an Automated ML Experiment

  • نسخه ی نمایشی: تفسیر نتایج آزمایش Demo: Interpreting the Experiment Results

  • خلاصه Summary

ارزیابی تبیین مدل Assessing Model Explainability

  • بررسی اجمالی Overview

  • اصول راهنمای مایکروسافت برای هوش مصنوعی مسئولانه Microsoft's Guiding Principles for Responsible AI

  • تعصب ناخواسته و تفسیرپذیری Unintended Bias and Interpretability

  • تنظیم یک آزمایش در یک دفترچه یادداشت Jupyter Setting Up an Experiment in a Jupyter Notebook

  • نسخه ی نمایشی: تور SDK Azure Python Interpretability Demo: Touring the Azure Python Interpretability SDK

  • خلاصه Summary

نمایش نظرات

آموزش ارزیابی اثربخشی مدل در Microsoft Azure
جزییات دوره
0h 50m
19
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Tim Warner
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tim Warner Tim Warner

تیموتی وارنر با ارزش ترین حرفه ای مایکروسافت (MVP) در Cloud and Datacenter Management است که در نشویل ، TN مستقر است. از جمله تخصص های حرفه ای وی می توان به Microsoft Azure ، کراس پلتفرم PowerShell و همه موارد مرتبط با Windows Server اشاره کرد. می توانید از طریق توییتر (TechTrainerTim) ، LinkedIn یا وبلاگ وی ، AzureDepot.com به تیم برسید.