دوره آموزشی اصول یادگیری ماشینی Microsoft Azure
3 ساعت 18 دقیقهمبتدی2023-04-20
مدرسین

Microsoft Press
Microsoft

Justin Frébault
Data Solutions Architect and Microsoft Certified Trainer
جزئیات دوره
یادگیری ماشین دیگه یه تکنولوژی لوکس نیست، بلکه به یکی از مهارتهای ضروری تبدیل شده! 😎 این فناوری دنیای کسبوکار رو دگرگون کرده و هر روز داره بیشتر و بیشتر مورد استفاده قرار میگیره.
اگه میخوای بفهمی که یادگیری ماشین چطور کار میکنه، این دوره بهترین نقطهی شروعه! توی این دوره، جاستین فِربو (Justin Frébault) مفاهیم اساسی یادگیری ماشین رو بهت یاد میده و کمکت میکنه که مهارتهای عملی لازم برای ورود به این حوزه رو بهدست بیاری.
در این دوره یاد میگیری:
🔹 انواع الگوریتمهای یادگیری ماشین و اینکه هر کدوم چه کاربردی دارن.
🔹 مراحل اجرای یک پروژه یادگیری ماشین، از جمعآوری دادهها تا ارزیابی مدل.
🔹 رویکرد دادهمحور در یادگیری ماشین و اینکه چطور دادههای باکیفیت به مدلهای بهتر منجر میشن.
🔹 بهترین روشها برای بهینهسازی مدلها و افزایش دقت پیشبینیها.
یکی از بخشهای جذاب این دوره، یادگیری Azure Machine Learning هست، جایی که میتونی یاد بگیری چطور مدلهای یادگیری ماشین رو در سطح صنعتی پیادهسازی و مانیتور کنی. با تمرینهای عملی و دموهای واقعی، میتونی مهارتهای لازم برای استفاده از این ابزار رو بهدست بیاری.
همچنین با ابزارهای پرکاربرد در Azure آشنا میشی که بهت کمک میکنن مدلهای یادگیری ماشین رو بهتر تفسیر کنی و تصمیمگیریهای تجاری دقیقتری انجام بدی! 🚀
پس اگه میخوای یادگیری ماشین رو بهطور حرفهای یاد بگیری و ازش برای حل مشکلات واقعی استفاده کنی، این دوره یه انتخاب عالیه! 🔥
🎯 اهداف یادگیری:
✔ درک انواع الگوریتمهای یادگیری ماشین
✔ آشنایی با مراحل اجرای یک پروژه ML
✔ بهینهسازی و ارزیابی مدلهای یادگیری ماشین
✔ کار با Azure Machine Learning برای استقرار مدلها
✔ یادگیری بهترین روشهای دادهمحور برای بهبود مدلها
✔ استفاده از ابزارهای Azure برای تفسیر مدلها
اگه میخوای بفهمی که یادگیری ماشین چطور کار میکنه، این دوره بهترین نقطهی شروعه! توی این دوره، جاستین فِربو (Justin Frébault) مفاهیم اساسی یادگیری ماشین رو بهت یاد میده و کمکت میکنه که مهارتهای عملی لازم برای ورود به این حوزه رو بهدست بیاری.
در این دوره یاد میگیری:
🔹 انواع الگوریتمهای یادگیری ماشین و اینکه هر کدوم چه کاربردی دارن.
🔹 مراحل اجرای یک پروژه یادگیری ماشین، از جمعآوری دادهها تا ارزیابی مدل.
🔹 رویکرد دادهمحور در یادگیری ماشین و اینکه چطور دادههای باکیفیت به مدلهای بهتر منجر میشن.
🔹 بهترین روشها برای بهینهسازی مدلها و افزایش دقت پیشبینیها.
یکی از بخشهای جذاب این دوره، یادگیری Azure Machine Learning هست، جایی که میتونی یاد بگیری چطور مدلهای یادگیری ماشین رو در سطح صنعتی پیادهسازی و مانیتور کنی. با تمرینهای عملی و دموهای واقعی، میتونی مهارتهای لازم برای استفاده از این ابزار رو بهدست بیاری.
همچنین با ابزارهای پرکاربرد در Azure آشنا میشی که بهت کمک میکنن مدلهای یادگیری ماشین رو بهتر تفسیر کنی و تصمیمگیریهای تجاری دقیقتری انجام بدی! 🚀
پس اگه میخوای یادگیری ماشین رو بهطور حرفهای یاد بگیری و ازش برای حل مشکلات واقعی استفاده کنی، این دوره یه انتخاب عالیه! 🔥
🎯 اهداف یادگیری:
✔ درک انواع الگوریتمهای یادگیری ماشین
✔ آشنایی با مراحل اجرای یک پروژه ML
✔ بهینهسازی و ارزیابی مدلهای یادگیری ماشین
✔ کار با Azure Machine Learning برای استقرار مدلها
✔ یادگیری بهترین روشهای دادهمحور برای بهبود مدلها
✔ استفاده از ابزارهای Azure برای تفسیر مدلها
مهارت ها
Cloud DevelopmentMachine LearningAzureNetwork AdministrationCloud PlatformsArtificial Intelligence (AI)Network and System AdministrationCloud ComputingMicrosoftOne-Off
سرفصل ها
0. مقدمه
- 01 - MicrosoftAzure Machine Learning Fundamentals - مقدمه
1. مقدمه ای بر یادگیری ماشین
- 02 - اهداف آموزشی
- 03 - یادگیری ماشینی را درک کنید
- 04 - گردش کار یادگیری ماشین را کاوش کنید
- 05 - نحوه انتخاب الگوریتمهای مناسب را بیاموزید
- 06 - یادگیری ماشینی داده محور را کشف کنید
- 07 - نسخه ی نمایشی - یک فضای کاری یادگیری ماشینی Azure ایجاد کنید
- 08 - آزمایشگاه - یک فضای کاری یادگیری ماشینی Azure ایجاد کنید
2. مقدمه ای بر یادگیری ماشینی Azure
- 09 - اهداف آموزشی
- 10 - یادگیری ماشینی Azure چیست
- 11 - یادگیری ماشینی Azure در زمینه
- 12 - فضاهای کاری یادگیری ماشینی Azure
- 13 - استودیوی یادگیری ماشینی Azure
- 14 - از Azure Machine Learning SDK استفاده کنید
- 15 - نسخه ی نمایشی - کاوش در طراح یادگیری ماشینی Azure
- 16 - آزمایشگاه - اجرای آزمایشها با SDK
3. مدل یادگیری ماشینی Azure خود را بهبود بخشید
- 17 - اهداف آموزشی
- 18 - تنظیم فراپارامتر
- 19 - یادگیری ماشین خودکار
- 20 - مقدمه ای بر مبادله واریانس سوگیری
- 21 - نسخه ی نمایشی - یادگیری ماشین خودکار
- 22 - آزمایشگاه - تنظیم هایپرپارامترها
4. استقرار و نظارت بر مدل خود
- 23 - اهداف آموزشی
- 24 - مدل خود را مستقر و مصرف کنید
- 25 - سی دی CI با یادگیری ماشینی
- 26 - نظارت بر جابجایی دادهها و استفاده از Application Insights
- 27 - نسخه ی نمایشی - مدل و مانیتور خود را با Application Insights مستقر کنید
- 28 - آزمایشگاه - نظارت بر رانش داده ها
5. مدل خود را تفسیر کنید
- 29 - اهداف آموزشی
- 30 - آشنایی با تبیین کنندگان
- 31 - اهمیت ویژگی جهانی و محلی
- 32 - تشخیص و کاهش انصاف
- 33 - دمو - مدل خود را تفسیر کنید
- 34 - آزمایشگاه - کشف و کاهش بی عدالتی
خلاصه
- 35 - MicrosoftAzure Machine Learning Fundamentals - خلاصه
دوره های مرتبط
- دوره آموزشی آمادگی برای مدرک AWS Certified Solutions Architect - Associate (SAA-C03)
- دوره آموزشی جریانسازی دادههای اینترنت اشیا با Azure Serverless و هوش مصنوعی
- دوره آموزشی Azure Event Hubs برای توسعهدهندگان
- دوره آموزشی راهنمای کامل مدیریت Jira: پیکربندی، مدیریت و خودکارسازی
- دوره آموزشی راهنمای کامل توسعه اپلیکیشن وب بدون سرور در AWS
- دوره آموزشی خودکارسازی پردازش اسناد با هوش مصنوعی در AWS
- دوره آموزشی آمادگی برای آزمون گواهینامه AWS Certified Developer - Associate (DVA-C02)
- دوره آموزشی آمازون SageMaker برای کاربردهای هوش مصنوعی مولد