حرفه ای های تجاری در نقش های غیر فنی یک فرصت منحصر به فرد برای هدایت یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشینی س questionsال دارید و می خواهید بدون استفاده از اصطلاحات فنی ، نحوه استفاده از آن را بفهمید ، این دوره ...
ساخت و استقرار مدلهای یادگیری ماشینی بدون کدنویسی را بیاموزید (رویکرد کد صفر برای تقویتکننده هوش مصنوعی؛ ML) هوش مصنوعی (AI) و یادگیری ماشینی (ML). .."
این دوره شرکت کنندگان را با ابزارها و بهترین شیوه های MLOps برای استقرار ، ارزیابی ، نظارت و بهره برداری از سیستم های تولید ML در Google Cloud آشنا می کند. MLOps بر استقرار ، آزمایش ، نظارت و اتوماسیون سیستم های ML متمرکز است.
"این دوره نحوه ساخت مدل های یادگیری ماشینی را از ابتدا با استفاده از کتابخانه های Python و Scikit-learn پوشش می دهد. ساختار دوره در زیر نشان داده شده است. یادگیری ماشینی. .."
این سخنرانی معماری جریان مدرن را با دسته های سنتی و گزینه های کلان داده و مزایا مقایسه می کند.
در این جلسه ، ما در مورد چرخه پروژه علوم داده صحبت خواهیم کرد که شامل پنج مرحله اصلی است - تعریف اهداف پروژه شما ، جمع آوری و تمیز کردن داده های شما ، آموزش و آزمایش یک مدل پیش بینی ، استقرار آن و نظارت بر آن.
در این جلسه، شما در مورد یادگیری ماشین خودکار (Automl) و نحوه آخرین پیشرفت های Automl به شما اجازه می دهد تا مدل های یادگیری ماشین خود را به حالت Autopilot در حالی که حفظ دید و کنترل کامل را در حالت خودکار قرار دهید، یاد بگیرید.
داده ها در قلب یادگیری ماشین هستند. این دوره به شما یاد می دهد که چگونه داده ها را از منابع مختلف به جاوا بیاورید و همچنین نحوه مرتب سازی و تغییر شکل اساسی را با توجه به پردازش بیشتر توسط کتابخانه های تخصصی Java ML انجام دهید.
در این گفتار ، در مورد روند ساخت مدل یادگیری ماشین (ML) در دنیای واقعی ، نحوه و زمان استفاده پزشکان از تجسم برای انتخاب موثرتر و ملاحظات مربوط به ابزار تجسم ML ، بیاموزید.
با جو Pringle ، AWS همراه باشید تا دیدگاه درونی در مورد چگونگی درک یادگیری ماشین و چگونگی اجرای آن در نقش خود داشته باشید.
بیاموزید که برای ساخت مدل های کارآمد یادگیری ماشین از scikit-learn ، کتابخانه محبوب منبع باز Python ، استفاده کنید.
این دوره شما را در مراحل اصلی یک خط لوله معمولی ML ، از جمله قاب بندی مشکلات ، تمیز کردن داده ها ، تجسم و تجزیه و تحلیل داده ها ، مهندسی عملکرد و آموزش و ارزیابی مدل ، طی می کند.