شناسایی اجزای کلیدی چرخه حیات ML
مقایسه چرخه تکراری مدلسازی ML را با چرخه استقرار محصول ML
حل مسائل برای دادههای ساختاریافته، بدون ساختار، کوچک و بزرگ
درک عملکرد در مجموعه کوچکی از نمونههای نامتناسب
در دوره آموزش مقدماتی یادگیری ماشین در پروداکشن با زیرنویس اختصاصی از مکتبخونه، شما اجزای مختلف را شناسایی کرده و یک سیستم تولید ML را به صورت سرتاسر طراحی میکنید: محدوده پروژه، نیازهای داده، استراتژیهای مدلسازی و محدودیتها و الزامات استقرار. همچنین یاد خواهید گرفت که چگونه یک خط پایه مدل ایجاد کنید، گذار مفهوم و فرآیند توسعه، استقرار و بهبود مستمر یک برنامه کاربردی ML تولیدی را نمونهسازی کنید.
درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال یک شغل موثر در حوزه هوش مصنوعی هستید، به مهارت مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرمافزار مدرن و نقشهای مهندسی ترکیب میکند تا به شما در توسعه مهارتهای Production-Ready کمک کند.
اندرو انگ استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیانگذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینههای پژوهش او هوش مصنوعی و علوم رباتیک است.
Cristian یکی از اساتید Deeplearning.ai و بنیانگذار شرکت Pulsar است. Pulsar شرکتی است که در زمینههای هوش مصنوعی، اینترنت اشیا و تولید فعالیت میکند. پیش از این، او یکی از بنیانگذاران Factored.ai بوده و به چندین شرکت در پذیرش فناوریها و زیرساختهای ML مشاوره داده است. کریستیان دارای مدرک کارشناسی ارشد از دانشگاه استنفورد، گواهینامه اجرایی Ignite در زمینه کارآفرینی از استانفورد GSB و مدرک لیسانس در مهندسی هوافضا از UPM-ETSIAE است.