×
ribbon

آموزش چرخه عمر داده ماشین لرنینگ در پروداکشن

مدرس:DeepLearning.Ai

Robert Crowe

امروزه، هوش مصنوعی و یادگیری ماشین به طور فزاینده ای در صنایع مختلف کاربرد دارند. اما برای اینکه... بیشتر
زیرنویس
5 (1)
178دانشجو
4ساعت
سرفصل‌ها
مقدماتی سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

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

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

4 فصل36 جلسه4 ساعت ویدیو
جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها
  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
مهندسی ویژگی، تبدیل و انتخاب
  مقدمه‌ای بر پیش‌پردازش
06:09
  عملیات پیش‌پردازش
06:44
  تکنیک‌های مهندسی ویژگی
10:17
  تلاقی ویژگی‌ها (Feature Crosses)
03:35
  پیش‌پردازش داده در مقیاس
12:15
  TensorFlow Transform
14:14
  سلام دنیا با tf.Transform
07:40
  فضاهای ویژگی (Feature Spaces)
05:19
  انتخاب ویژگی
04:39
  روش‌های فیلتر (Filter Methods)
06:23
  روش‌های پوششی (Wrapper Methods)
05:18
  روش‌های جاسازی‌شده (Embedded Methods)
05:20
سفر داده و ذخیره‌سازی داده‌ها
  سفر داده
06:48
  مقدمه‌ای بر فرا داده یادگیری ماشین (ML Metadata)
08:41
  فرا داده یادگیری ماشین در عمل
05:05
  توسعه‌ی اسکما
05:06
  محیط‌های اسکما
04:13
  ذخیره‌گاه‌های ویژگی (Feature Stores)
06:32
  انبار داده
03:51
  دریاچه‌های داده
02:50
(اختیاری): برچسب‌گذاری پیشرفته، تقویت و پیش‌پردازش داده‌ها
  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

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.

توضیحات 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.

دیدگاه کاربران

5

بر اساس امتیاز 1 دانشجو

1
2
3
4
5

هنوز دیدگاهی برای این دوره ثبت نشده است

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
2دوره
325دانشجو
2نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.