دوره آموزشی یادگیری ماشین در اپلیکیشنهای موبایل
4 ساعت 18 دقیقهمبتدی2024-07-25
مدرسین

Kevin Ford
Development Practice Lead at Magenic
جزئیات دوره
درک عالی از توسعه نرم افزار همیشه به درک کاملی از چیستی یادگیری ماشین یا نحوه عملکرد آن منتقل نمی شود. یادگیری ماشینی را می توان در طیف گسترده ای از سناریوها در توسعه موبایل استفاده کرد. در این دوره، کوین فورد، رهبر تمرین توسعه، این سناریوها را بررسی میکند و اینکه توسعهدهندگان چگونه میتوانند یادگیری ماشین را در برنامههای موبایل خود پیادهسازی کنند. پس از یک آغازگر مفید در مورد یادگیری ماشینی که مخصوص توسعه موبایل است، به مدلهای سرور مانند Watson و Azure و همچنین مدلهای کلاینت مانند Core ML و ML Kit بروید. بعلاوه، درک خود را از پیشنهادهایی که در حال حاضر در دسترس هستند ایجاد کنید.
مهارت ها
Cross-Platform DevelopmentMobile DevelopmentMachine LearningArtificial Intelligence (AI)One-Off
سرفصل ها
0. مقدمه
- 01 - مقدمه ای بر یادگیری ماشین در برنامههای کاربردی موبایل
- 02 - آنچه برای شرکت در این کلاس باید بدانید
- 03 - دستگاه خود را راهاندازی کنید
- 04 - استفاده از فایلهای تمرین
1. Primer Developers Mobile on Machine Learning
- 05 - یادگیری ماشینی چیست
- 06 - مفاهیم مورد نیاز
- 07 - چرا این برای برنامه من مهم است
- 08 - آموزش مدل
- 09 - یادگیری ماشینی در مقابل یادگیری عمیق در مقابل هوش مصنوعی مولد
- 10 - با یادگیری ماشینی چه کار میتوانم انجام دهم
- 11 - سمت سرور در مقابل ML سمت سرویس گیرنده
- 12 - چارچوبهای ML
2. مدلهای سرور - IBM Watson
- 13 - مروری بر واتسون
- 14 - درک زبان طبیعی - راه اندازی
- 15 - استودیوی هوش مصنوعی watsonx.ai - راه اندازی
- 16 - watsonx.ai AI studio - آموزش
- 17 - استقرار مدل
- 18 - احراز هویت در برابر مدل مستقر شده
- 19 - Watson SDK را در برنامه تلفن همراه خود نصب کنید
- 20 - فراخوانی واتسون درک زبان طبیعی
- 21 - بازگرداندن رمز دسترسی watsonx
- 22 - فراخوانی مدل سفارشی watsonx
- 23 - اجرای برنامه
- 24 - چالش - از ویژگیهای درک زبان طبیعی استفاده کنید
- 25 - راه حل - از ویژگیهای درک زبان طبیعی استفاده کنید
3. مدلهای سرور - Azure
- 26 - مروری بر یادگیری ماشین لاجورد
- 27 - درک زبان - راه اندازی
- 28 - درک زبان - استفاده از استودیو زبان
- 29 - درک زبان - آموزش، استقرار و آزمایش
- 30 - Custom Vision - راه اندازی
- 31 - استودیوی یادگیری ماشینی Azure - راه اندازی
- 32 - استودیوی یادگیری ماشینی Azure - یک مدل ایجاد کنید
- 33 - استودیوی یادگیری ماشینی Azure - استقرار و آزمایش یک مدل
- 34 - SDK را در یک برنامه موبایل نصب کنید
- 35 - پیوند با درک زبان
- 36 - به چشم انداز سفارشی گره بزنید
- 37 - برنامههای اندروید و iOS را برای مصرف نقاط انتهایی غیر SSL آماده کنید
- 38 - به مدل Azure Machine Learning Studio گره بزنید
- 39 - اجرای برنامه
- 40 - چالش - یک مدل درک زبان سفارشی ایجاد کنید
- 41 - راه حل - یک مدل سفارشی درک زبان ایجاد کنید
4. مدلهای مشتری - Core ML
- 42 - بررسی اجمالی Core ML
- 43 - Core ML - یک مدل زبان طبیعی ایجاد کنید
- 44 - Core ML - یک مدل تشخیص بصری ایجاد کنید
- 45 - Core ML - یک مدل رگرسیون ایجاد کنید
- 46 - مشتری به یک مدل زبان طبیعی گره خورده است
- 47 - مشتری به یک مدل تشخیص بصری گره خورده است
- 48 - مشتری به مدل رگرسیونی گره خورده است
- 49 - اجرای برنامه
- 50 - چالش - ایجاد یک مدل سفارشی
- 51 - راه حل - یک مدل سفارشی ایجاد کنید
5. مدلهای مشتری - کیت ML
- 52 - مقدمه ای بر کیت ML
- 53 - انتخاب مدل
- 54 - افزودن SDK به یک برنامه تلفن همراه
- 55 - فراخوانی مدل
- 56 - اجرای برنامه
- 57 - چالش - پیادهسازی مدل برچسب گذاری تصویر
- 58 - راه حل - مدل برچسب گذاری تصویر را پیادهسازی کنید
6. درک پیشنهادات
- 59 - فلسفههای مختلف فروشندگان
- 60 - چرا از مدلهای سمت سرویس گیرنده در مقابل مدلهای سمت سرور استفاده کنید
- 61 - چه زمانی باید از یکی از این محلولها استفاده کرد
نتیجه
- 62 - از اینجا کجا برویم
دوره های مرتبط
- دوره آموزشی یادگیری جامع فلاتر: ساخت برای پلتفرم های متعدد
- دوره آموزشی توسعه چندسکویی با Kotlin (کاتلین)
- دوره آموزشی NET 9 Maui.: امکانات بهتر برای توسعه چندسکویی
- دوره آموزشی شناسایی شرکتی با استفاده از اطلاعات منبع باز: بررسی فاز اول در Cyber Kill Chain Framework
- دوره آموزشی راهنمای کامل امنیت نرمافزارهای متنباز
- دوره آموزشی مدلهای زبان بزرگ در AWS: ساخت و استقرار مدلهای زبان بزرگ متنباز
- دوره آموزشی هوش مصنوعی تولیدی و مدلهای متنباز: تمرین عملی با مدلهای Hugging Face
- دوره آموزشی فایروالهای متنباز