×
ribbon

آموزش مقدماتی یادگیری ماشین در پروداکشن

مدرس:DeepLearning.Ai

Andrew NgCristian Bartolomé Arámburu

در دوره آموزش مقدماتی یادگیری ماشین در پروداکشن با زیرنویس اختصاصی از مکتب خونه، شما اجزای مختلف را... بیشتر
زیرنویس
3.5 (2)
314دانشجو
5ساعت
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
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

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

این دوره شامل:

5 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

3 فصل40 جلسه5 ساعت ویدیو
مروری بر چرخه حیات و استقرار ML
  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
  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
  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

توضیحات 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.

دیدگاه کاربران

3.5

بر اساس امتیاز 2 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
20دوره
32,639دانشجو
467نظر و امتیاز

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.

1دوره
314دانشجو
2نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های Andrew Ng

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.