آموزش چرخه عمر داده ماشین لرنینگ در پروداکشن

امروزه، هوش مصنوعی و یادگیری ماشین به طور فزاینده‌ای در صنایع مختلف کاربرد دارند. اما برای اینکه مدل‌های یادگیری ماشین در دنیای واقعی مفید و موثر باشند، باید به طور مداوم با داده‌های جدید به‌روزرسانی ... ادامه

ارائه دهنده:  DeepLearning.Ai  DeepLearning.Ai
مدرس دوره:
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  4 ساعت
مجموع محتوای آموزشی:  4 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 شناسایی شیوه‌های مسئولانه جمع‌آوری داده برای ساخت یک سیستم پروداکشن یادگیری ماشین منصفانه

 پیاده‌سازی مهندسی ویژگی، تبدیل و انتخاب ویژگی با استفاده از TensorFlow Extended

 درک سفر داده در طول چرخه حیات یک سیستم پروداکشن

 استفاده از متادیتای یادگیری ماشین و اسکماهای سازمانی برای رسیدگی به داده‌های در حال تکامل سریع

پیش‌نیاز‌ها

این دوره به نحوی تهیه و تدوین شده است که مباحث آن به ساده‌ترین شکل ممکن بیان شوند و مخاطبان دوره بتوانند به‌سادگی متوجه موضوعات مطرح شده شوند. به همین جهت برای شرکت در این دوره هیچ پیش‌نیاز به خصوصی وجود ندارد و افراد با هر سطحی از آگاهی و تحصیلات می‌توانند از مباحث این دوره نهایت استفاده را داشته باشند.

سرفصل‌های دوره آموزش چرخه عمر داده ماشین لرنینگ در پروداکشن

جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها

این فصل با یک معرفی کوتاه به سیستم‌های تولید یادگیری ماشین می‌پردازیم. به‌طور خاص، یاد خواهید گرفت که چگونه از کتابخانه TensorFlow Extended (TFX) برای جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها برای آماده‌سازی آن‌ها برای تولید استفاده کنید.

  بررسی اجمالی
"11:10  
  خطوط لوله یادگیری ماشین (ML Pipelines)
"06:59  
  اهمیت داده
"08:44  
  مثال کاربردی: پیشنهاد اجراها (Runs)
"08:44  
  داده مسئولانه: امنیت، حریم خصوصی و انصاف
"11:16  
  مطالعه موردی: کاهش عملکرد مدل
"09:11  
  تغییر داده و مفهوم در یادگیری ماشین تولیدی
"05:51  
  بازخورد فرآیند و برچسب‌گذاری انسانی
"11:36  
  تشخیص مسائل داده
"08:04  
  اعتبارسنجی داده در TensorFlow
"06:22  
سفر داده و ذخیره‌سازی داده‌ها
(اختیاری): برچسب‌گذاری پیشرفته، تقویت و پیش‌پردازش داده‌ها

برای بهبود دقت مدل یادگیری ماشین، داده‌های برچسب‌گذاری شده و برچسب‌گذاری نشده را ترکیب کنید و داده‌ها را برای متنوع‌سازی مجموعه آموزشی خود افزایش دهید.

  یادگیری نیمه-نظارت‌شده (Semi-supervised Learning)
"04:36  
  یادگیری فعال (Active Learning)
"04:43  
  نظارت ضعیف (Weak Supervision)
"05:28  
  تکثیر داده (Data Augmentation)
"04:52  
  سری‌های زمانی (Time Series)
"09:09  
  حسگرها و سیگنال‌ها
"03:28  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

امروزه، هوش مصنوعی و یادگیری ماشین به طور فزاینده‌ای در صنایع مختلف کاربرد دارند. اما برای اینکه مدل‌های یادگیری ماشین در دنیای واقعی مفید و موثر باشند، باید به طور مداوم با داده‌های جدید به‌روزرسانی و بهبود پیدا کنند. اینجاست که دوره آموزشی "موزش چرخه عمر داده ماشین لرنینگ در پروداکشن" به کمک شما می‌آید.

در این دوره چه چیزهایی خواهید آموخت؟

در این دوره، شما با مفاهیم کلیدی و مراحل مختلف چرخه حیات داده یادگیری ماشین در پروداکشن آشنا خواهید شد. این مراحل شامل:

  • جمع‌آوری و آماده‌سازی داده: نحوه جمع‌آوری داده‌های مناسب از منابع مختلف، پاکسازی و پیش‌پردازش داده‌ها برای استفاده در مدل‌های یادگیری ماشین
  • مهندسی ویژگی: نحوه استخراج و تبدیل داده‌های خام به ویژگی‌های قابل استفاده برای مدل‌های یادگیری ماشین
  • ایجاد و آموزش مدل: نحوه انتخاب الگوریتم مناسب یادگیری ماشین، آموزش مدل و ارزیابی عملکرد آن
  • استقرار مدل: نحوه استقرار مدل آموزش‌دیده در یک محیط پروداکشن
  • نظارت و نگهداری: نحوه نظارت بر عملکرد مدل در طول زمان و انجام به‌روزرسانی‌های لازم

مزایای شرکت در این دوره:

  • مهارت‌های عملی: شما با استفاده از ابزارها و تکنیک‌های واقعی، مهارت‌های عملی لازم برای مدیریت چرخه حیات داده یادگیری ماشین در پروداکشن را کسب خواهید کرد.
  • مفاهیم عمیق: شما درک عمیقی از چالش‌ها و فرصت‌های مرتبط با چرخه حیات داده یادگیری ماشین به دست خواهید آورد.
  • آمادگی برای کار: شما با گذراندن این دوره، برای ورود به بازار کار در زمینه هوش مصنوعی و یادگیری ماشین آماده خواهید شد.

این دوره مناسب چه افرادی است؟

این دوره برای طیف وسیعی از افراد از جمله دیتاساینتیست‌ها، مهندسان یادگیری ماشین، تحلیلگران داده و توسعه‌دهندگان نرم‌افزار که به دنبال یادگیری نحوه مدیریت چرخه حیات داده یادگیری ماشین در پروداکشن هستند، مناسب است.

درباره استاد

maktabkhooneh-teacher Robert Crowe

Robert Crowe دیتاساینتیست و علاقه‌مند به TensorFlow است، او همچنین علاقه بسیاری به کمک به برنامه‌نویسان دارد تا به سرعت آنچه را که برای بهره‌وری نیاز دارند، بیاموزند. از همان روزهای اولیه، او از TensorFlow استفاده می‌کرد و از سرعت پیشرفت و بهبود بسیار آن هیجان‌زده است. رابرت قبل از حرکت به سمت علم داده، تیم‌های مهندسی نرم‌افزار را برای شرکت‌های بزرگ و کوچک رهبری می‌کرد که بر ارائه راه‌حل‌های بهینه و ظریف برای نیازهای کاملا تعریف شده تمرکز داشتند.

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.

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:  4 ساعت
مجموع محتوای آموزشی:  4 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی