نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره به دانشمندان Microsoft Azure Data یک نقشه راه در مورد نحوه ساخت ، آموزش و اعتبارسنجی مدل های یادگیری ماشین در Azure می دهد. ساخت مدل های یادگیری ماشین در Microsoft Azure می تواند ترسناک به نظر برسد. این دوره ، مدل سازی ، آموزش و اعتبارسنجی در Microsoft Azure به شما کمک می کند با ساخت مدلی که سعی می کند پرواز را بیش از 15 دقیقه به تأخیر بیاندازد با داده های داده شده تصمیم بگیرید که کدام مدل را انتخاب کنید و چرا. اول ، شما یک مشکل دنیای واقعی را خواهید دید تا ببینید Azure ML چگونه می تواند این مشکل را حل کند ، به شما کمک می کند تا یک فرضیه برای عملکرد مدل قضاوت کنید. در مرحله بعدی ، شما به سرعت Azure ML را راه اندازی خواهید کرد و خواهید آموخت که چرا برای آموزش و آزمایش مدل ها باید داده ها را تقسیم کنید. سپس ، متغیرهای وابسته و مستقل را که متغیرهای مستقل باید انتخاب شوند ، چرا باید انتخاب شوند ، و همچنین تبدیل داده های ویژگی مانند رمزگذاری برچسب و مقیاس گذاری ویژگی ها را کشف خواهید کرد. سرانجام ، شما خواهید فهمید که کدام مدل ها را انتخاب کنید و چرا قبل از کسب نمره مدل که نشان می دهد چگونه می توانیم مدل را بهینه کرده و دوباره آزمایش کنیم. پس از اتمام این دوره ، آماده خواهید بود که مدل خود را در مرحله تولید قرار دهید و در صورت لزوم آن مدل را نظارت و بازآموزی کنید.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
ایجاد یک فرضیه
Creating a Hypothesis
-
بررسی اجمالی
Overview
-
عوامل یک فرضیه کاملاً مشخص
Factors of a Well Defined Hypothesis
-
فرضیه جایگزین و فرضیه پوچ
Alternative Hypothesis and Null Hypothesis
-
شاخص های کلیدی عملکرد مورد نیاز است
Key Performance Indicators Required
-
معیارهای پذیرش فرضیه
Hypothesis Acceptance Criteria
-
خلاصه
Summary
منابع و تبدیل داده های مرتبط با یک فرضیه
Sourcing and Transforming Data Relevant to a Hypothesis
-
بررسی اجمالی
Overview
-
بررسی اجمالی خدمات یادگیری ماشین لاجوردی
Azure Machine Learning Services Overview
-
شناسایی و منبع یابی داده های مربوطه
Identifying and Sourcing the Relevant Data
-
آموزش و & nbsp؛ آزمایش & nbsp؛ زیر مجموعه های داده
Training and Testing Data Subsets
-
تبدیل داده & nbsp؛ استفاده از & nbsp؛ لاجوردی & nbsp؛ م Learnلفه های یادگیری ماشین
Data Transformation Using Azure Machine Learning Components
-
خلاصه
Summary
شناسایی ویژگی ها از داده های خام
Identifying Features from Raw Data
-
بررسی اجمالی
Overview
-
انتخاب داده & nbsp؛ دانه دانه بودن
Selecting Data Granularity
-
متغیرهای وابسته و مستقل
Dependent and Independent Variables
-
انتخاب روش رمزگذاری صحیح
Choosing the Right Encoding Method
-
مقیاس بندی ویژگی
Feature Scaling
-
تکنیک های معمول انتخاب ویژگی ها
Common Feature Selection Techniques
-
خلاصه
Summary
ساختن مدل
Building the Model
-
بررسی اجمالی
Overview
-
انتخاب & nbsp؛ مدل مناسب
Selecting the Appropriate Model
-
Azure ML: گزینه های طبقه بندی & nbsp؛
Azure ML: Classification Model Options
-
ساخت و ثبت مدل
Building and Registering the Model
-
معیارهای طبقه بندی مدل اختیاری
Metrics for Model Classification Optional
-
تنظیم Hyperparameters و تفسیر مدل
Tuning Hyperparameters and Interpreting the Model
-
استقرار مدل
Deploying the Model
-
خلاصه
Summary
نظارت و مدیریت عملکرد یک مدل
Monitoring and Managing the Performance of a Model
-
بررسی اجمالی
Overview
-
استراتژی عملکرد مدل
Model Performance Strategy
-
مدل آموزش مجدد با یادگیری ماشین خودکار
Retraining Model with Automated Machine Learning
-
نظارت بر مدل
Monitoring the Model
-
نظارت بر رانش داده ها
Monitoring Data Drift
-
خلاصه
Summary
نمایش نظرات