×
ribbon

آموزش مقدماتی یادگیری ماشین در پروداکشن

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 ... ادامه

ارائه دهنده:  DeepLearning.Ai  DeepLearning.Ai
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 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

سرفصل‌های دوره آموزش مقدماتی یادگیری ماشین در پروداکشن

مروری بر چرخه حیات و استقرار ML

این فصل به معرفی سریع سیستم‌های تولید یادگیری ماشین با تمرکز بر الزامات و چالش‌های آن‌ها می‌پردازد. در ادامه فصل بر روی استقرار سیستم‌های تولید و آنچه برای انجام این کار قوی نیاز است در حالی که دائما داده‌ها در حال تغییر است، تمرکز می‌کند.

  خوش‌آمدگویی
"09:54  
  مراحل یک پروژه ML
"04:04  
  مطالعه موردی: تشخیص گفتار
"12:13  
  طرح کلی دوره
"02:53  
  چالش‌های اصلی
"14:32  
  الگوهای استقرار
"12:02  
  نظارت
"10:55  
  نظارت بر pipeline
"09:41  
انتخاب و آموزش یک مدل

این هفته درباره استراتژی‌های مدل و چالش‌های کلیدی در توسعه مدل است. تجزیه و تحلیل خطا و استراتژی‌های کار با انواع داده‌های مختلف را پوشش می‌دهد. همچنین به چگونگی کنار آمدن با عدم تعادل طبقاتی و مجموعه داده‌های بسیار منحرف می‌پردازد.

  نمای کلی مدلسازی
"02:52  
  چالش‌های اصلی
"05:19  
  چرا میانگین خطای پایین به اندازه کافی خوب نیست؟
"10:49  
  ایجاد یک خط پایه
"07:48  
  نکاتی برای شروع
"06:33  
  مثال تجزیه و تحلیل خطا
"08:37  
  اولویت‌بندی
"05:53  
  مجموعه داده‌های منحرف
"12:22  
  حسابرسی عملکرد
"08:06  
  توسعه هوش مصنوعی داده محور
"02:48  
  تصویر مفیدی از افزایش داده‌ها
"06:07  
  افزایش داده‌ها
"08:56  
  آیا افزودن داده‌ها می‌تواند ضرر داشته باشد؟
"06:25  
  افزودن امکانات
"08:53  
  ردیابی آزمایشی
"04:52  
  از داده‌های بزرگ تا داده‌های خوب
"03:41  
تعریف داده و خط مبنا

این فصل همه چیز در مورد کار با انواع داده‌های مختلف و اطمینان از سازگاری لیبل برای مشکلات طبقه‌بندی شده است. این امر منجر به ایجاد یک مبنای عملکرد برای مدل شما و بحث در مورد استراتژی‌هایی برای بهبود آن با توجه به محدودیت‌های زمان و منابعتان می‌شود.

  چرا تعریف داده سخت است؟
"04:27  
  نمونه‌های بیشتر ابهام لیبل
"09:18  
  انواع عمده مشکلات داده
"11:25  
  داده‌های کوچک و سازگاری لیبل
"08:25  
  بهبود ثبات لیبل
"09:17  
  عملکرد سطح انسانی (HLP)
"10:36  
  افزایش HLP
"09:11  
  به دست آوردن داده‌ها
"12:34  
  سلسله داده
"05:55  
  متا داده، منشأ داده و اصل و نسب
"10:03  
  تقسیم‌های متوازن آموزش/dev/تست
"04:46  
  محدوده‌بندی چیست؟
"02:41  
  فرآیند محدوده
"07:02  
  دقت در امکان‌سنجی و ارزش
"14:34  
  اهتمام به سنجش
"07:31  
  نقاط عطف و منابع
"02:44  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

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.

درباره استاد

maktabkhooneh-teacher Andrew Ng

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.

مشاهده پروفایل و دوره‌‌های استاد
maktabkhooneh-teacher Cristian Bartolomé Arámburu

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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

دوره‌های پیشنهادی

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.
poster
  
برگزار کننده:  DeepLearning.Ai
  
زمان مورد نیاز برای گذارندن دوره:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی