این دوره شما را با مفاهیم مورد نیاز برای شناسایی موارد استفاده برای یادگیری ماشین، فرمولبندی یک مسئله ML، برشمردن مسائل متعارفی که ML برای حل آنها استفاده میشود، و جزئیات نحوه اعمال ML بر روی دادههای پیچیده مانند متن، تصاویر را معرفی میکند. .
یاد بگیرید که چگونه رگرسیون لجستیک را با استفاده از R و Excel انجام دهید و از Power BI برای ادغام این روش ها در یک مدل مقیاس پذیر و قابل اشتراک استفاده کنید.
برای یادگیری اصول اولیه یادگیری ماشین و ریاضیات رگرسیون آماری که تقریباً همه الگوریتمهای یادگیری ماشین را قدرت میدهد، آماده شوید.
سیستمهای تعبیهشده، یادگیری ماشین و Tiny ML
یادگیری و تسلط بر علوم داده، پایتون برای یادگیری ماشین، ریاضی برای یادگیری ماشین، آمار برای علم داده
نحوه سریالسازی - مدلسازی را با scikit-learn و استقرار در Heroku، AWS Lambda، ECS، Docker و Google Cloud بیاصلاح کنید.
اصول یادگیری ماشین و نحوه ایجاد مدل یادگیری ماشین با پایتون را بیاموزید.
یادگیری ماشین ، یادگیری عمیق ، یادگیری بیزی و استقرار مدل در پایتون.
از ابزارهای توسعه وب Node.JS، React و Flask برای استقرار مدل های Data Science خود در برنامه های وب استفاده کنید!
این دوره شرکت کنندگان را با قابلیت های کلان داده Google Cloud آشنا می کند.
در مورد علم داده و یادگیری ماشین با پایتون بیاموزید! از جمله Numpy، Pandas، Matplotlib، Scikit-Learn و موارد دیگر!
این دوره نحوه پیاده سازی انواع مختلف سیستم های ML تولیدی را پوشش می دهد - آموزش استاتیک، پویا و مداوم. استنتاج استاتیک و پویا؛ و پردازش دسته ای و آنلاین.