آموزش سیستم‌های یادگیری ماشینی آماده تولید در Google بسازید

سرفصل ها و درس ها

معرفی Introduction

• به دوره خوش آمدید Welcome to the Course

• مقدمه: مدل سازی علم داده تا استقرار Introduction: Data Science Modelling to Deployment

• داده و کد Data and Code

• نصب Python3 Python3 Installation

• انواع داده های مختلف Different Data Types

• موارد استفاده از GCP GCP Use Cases

GCP را یاد بگیرید Learn GCP

• از کجا شروع کنیم؟ Where to Start?

• اکوسیستم GCP The GCP Ecosystem

• بیایید به رابط GCP نگاه کنیم (و دسترسی به نسخه آزمایشی رایگان) Lets Look at the GCP Interface (And Accessing the Free Trial)

• مجوزها و دسترسی Permissions and Access

• برخی از مؤلفه های یادگیری ماشینی GCP Some Components of GCP Machine Learning

• سطل های GCP GCP Buckets

• Virtual Speaking: ماشین های مجازی (VM) Virtually Speaking: Virtual Machines (VMs)

• مهره و پیچ و مهره Google Big Query Nuts and Bolts of Google Big Query

• بودجه خود را تنظیم کنید Setup Your Budget

تئوری Theory

• یادگیری ماشینی چیست؟ What Is Machine Learning?

• یادگیری بدون نظارت چیست؟ What Is Unsupervised Learning?

• نظریه پشت خوشه بندی k-means Theory Behind k-Means Clustering

• مقدمه ای بر یادگیری ماشینی نظارت شده Introduction to Supervised Machine Learning

یادگیری ماشین در GCP Machine Learning On GCP

• اولین پروژه GCP خود را ایجاد کنید Create Your First GCP Project

• با Vertex شروع کنید Get Started With Vertex

• JupyterLab را راه اندازی کنید Start the JupyterLab

• داده های خود را در سطل خود آپلود کنید Upload Your Data In Your Bucket

• بیشتر از اکوسیستم Vertex More of the Vertex Ecosystem

پیاده سازی یک مدل یادگیری ماشینی (ML) در GCP Implement a Machine Learning (ML) Model on GCP

• مقدمه ای بر یک نمونه مسئله ML Introduction to a Sample ML Problem

• پیش بینی کننده ها را تجسم کنید Visualise the Predictors

• تجزیه و تحلیل اجزای اصلی (PCA) چیست؟ What Is Principal Component Analysis (PCA)?

• پیاده سازی PCA در پیش بینی کننده ها Implement PCA On Predictors

• آمادگی برای پیاده سازی ML Prep For Implementing ML

• پیاده سازی یک ماشین بردار پشتیبان (SVM) برای طبقه بندی Implement a Support Vector Machine (SVM) For Classification

• ارزیابی دقت Accuracy Evaluation

خودکار کردن مدل های ML با AutoML Automating ML Models With AutoML

• چرا AutoML؟ Why AutoML?

• ایجاد مجموعه داده Create Dataset

• ایجاد Dataset-Cloud Storage Create Dataset-Cloud Storage

• آغازگر سریع در اجرای مدل طبقه بندی جدولی A Quick Primer On Running A Tabular Classification Model

• نتایج AutoML را ارزیابی کنید Evaluate Results of AutoML

• یک مدل رگرسیون جدولی تنظیم کنید Set Up A Tabular Regression Model

• رجیستری مدل را بررسی کنید Check Out the Model Registry

استقرار مدل Deploy The Model

• استقرار نقطه پایانی Endpoint Deployment

• یک مدل AutoML مقیاس تولید را در Vertex AI-Prep اجرا کنید Run a Production Scale AutoML Model in Vertex AI-Prep

• مراحل دریافت داده های اولیه Preliminary Data Ingestion Steps

• توسعه یک خط لوله تجزیه و تحلیل Develop An Analysis Pipeline

• استقرار مدل و خانه داری Model Deployment and Housekeeping

AutoML برای پردازش زبان طبیعی (NLP) AutoML For Natural Language processing (NLP)

• دسترسی به AutoML برای NLP Accessing AutoML For NLP

• AutoML برای تجزیه و تحلیل احساسات AutoML For Sentiment Analysis

• خط لوله انتقال داده برای داده های متنی The Data Ingestion pipeline For Text Data

• راه اندازی برای تجزیه و تحلیل احساسات AutoML Setting Up For AutoML Sentiment Analysis

• خط لوله تجزیه و تحلیل احساسات AutoML را آموزش دهید Train the AutoML Sentiment Analysis Pipeline

• پیش بینی های دسته ای را تنظیم کنید Set Up Batch Predictions