دوره آموزشی آمادگی گواهینامه AWS Certified Machine Learning - Specialty (MLS-C01)
4 ساعت 27 دقیقهمتوسط2025-01-22
مدرسین

Pearson

Milecia McGregor
جزئیات دوره
گرفتن گواهینامه AWS Certified Machine Learning - Specialty (MLS-C01) نشاندهندهی انعطافپذیری شما به عنوان یک مهندس یادگیری ماشین است. معمولاً مهندسین یادگیری ماشین بر روی مدیریت دادهها و ساخت مدلها تمرکز میکنند، بنابراین اگر شما با ابزارهای ابری آشنا باشید، میتوانید ارزش بیشتری به نقشتان بیفزایید. در این دوره، نویسنده Milecia McGregor ترکیبی از اسلایدها و دموها در AWS را به همراه مثالهایی از Visual Studio با پایتون به شما ارائه میدهد. Milecia شما را برای آمادهسازی آزمون راهنمایی میکند و به شما نشان میدهد که چگونه دادههای خود را وارد کنید، فرآیند مهندسی ویژگیها را انجام دهید، مدلها را آموزش داده و ارزیابی کنید، و آنها را برای استفاده در دسترس قرار دهید.
اهداف یادگیری:
شناسایی و پیادهسازی راهحلهای وارد کردن دادهها با Kinesis.
آموزش و ارزیابی مدلهای یادگیری ماشین.
استقرار مدلهای یادگیری ماشین با استفاده از ابزارهای AWS.
اهداف یادگیری:
شناسایی و پیادهسازی راهحلهای وارد کردن دادهها با Kinesis.
آموزش و ارزیابی مدلهای یادگیری ماشین.
استقرار مدلهای یادگیری ماشین با استفاده از ابزارهای AWS.
مهارت ها
Machine LearningAmazon Web Services (AWS)AmazonCloud ServicesCloud PlatformsCert PrepArtificial Intelligence (AI)Cloud Computing
سرفصل ها
0. مقدمه
- 01 - تخصص AWS Certified Learning Machine - مقدمه
1. مهندسی داده
- 02 - اهداف آموزشی
- 03 - مخازن داده برای یادگیری ماشین ایجاد کنید
- 04 - شناسایی و پیادهسازی راه حل هضم داده ها
- 05 - بین ابزار بلع تصمیم بگیرید
- 06 - شناسایی و پیادهسازی راه حل تبدیل داده ها
- 07 - کمی تمرین کنید - سؤالات و تمرینات
2. تجزیهوتحلیل دادههای اکتشافی
- 08 - اهداف آموزشی
- 09 - پاکسازی و آماده سازی دادهها برای مدل سازی
- 10 - مهندسی ویژگی را انجام دهید
- 11 - تجزیهوتحلیل دادهها برای یادگیری ماشین
- 12 - دادهها را برای یادگیری ماشین تجسم کنید
- 13 - کمی تمرین کنید - سؤالات و تمرینات
3. مدلهای آموزشی
- 14 - اهداف آموزشی
- 15 - مشکلات کسب و کار را به عنوان مشکلات یادگیری ماشین چارچوب بندی کنید
- 16 - مدل مناسب را برای مشکل یادگیری ماشین انتخاب کنید
- 17 - شهود پشت مدل را درک کنید
- 18 - آموزش مدلهای یادگیری ماشینی
- 19 - یک گزینه محاسبه را انتخاب کنید
- 20 - کمی تمرین کنید - سؤالات و تمرینات
4. ارزیابی مدل ها
- 21 - اهداف آموزشی
- 22 - بهینهسازی هایپرپارامتر را انجام دهید
- 23 - از روشهای دیگر برای بهینهسازی هایپرپارامتر استفاده کنید
- 24 - مدلهای یادگیری ماشینی را ارزیابی کنید
- 25 - مدلها را با معیارهای مختلف مقایسه کنید
- 26 - بهترین شیوههای یادگیری ماشین را اجرا کنید
- 27 - کمی تمرین کنید - سؤالات و تمرینات
5. پیادهسازی و عملیات یادگیری ماشین
- 28 - اهداف آموزشی
- 29 - ساخت راه حلهای یادگیری ماشین برای تولید
- 30 - نگرانیهای مربوط به مقیاس بندی را برطرف کنید
- 31 - خدمات یادگیری ماشینی مناسب را توصیه و اجرا کنید
- 32 - شیوههای امنیتی اولیه AWS را در راه حلهای یادگیری ماشین اعمال کنید
- 33 - راه حلهای یادگیری ماشین را مستقر و عملیاتی کنید
- 34 - کمی تمرین کنید - سؤالات و تمرینات
نتیجه گیری
- 35 - تخصص یادگیری ماشین دارای گواهی AWS - خلاصه
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها