ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین - Advance Your Skills in AI and Machine Learning

SageMaker راه حل آمازون برای توسعه دهندگان است که می خواهند مدل یادگیری ماشین های پیش بینی را به محیط تولید تبدیل کنند. برنامه نویسی در پایتون انجام می شود و نتایج به راحتی می توانند به برنامه های مبتنی بر ابر متصل شوند. در این درس، کل جریان کاری Amazon SageMaker را بررسی می کنیم: تجزیه و تحلیل، ساخت و استقرار نهایی. مربی Martin Kemka مزایای آمازون SageMaker را معرفی می کند و رابط کاربری و ابزارهای مبتنی بر مرورگر را بررسی می کند. در فصل دوم، او نشان می دهد که چگونه داده های خود را وارد، بررسی، تجسم و خلاصه کنید. مرحله بعدی استفاده از یک نمونه دادهایی تمیز برای آموزش یک مدل یادگیری ماشین برای انجام یک کار اساسی است. در نهایت، او نشان می دهد چگونه مدل اعمال می شود. تقریبا در هر بخش با چالشی مواجه می شوید که به شما امکان می دهد تا مهارت های SageMaker جدید خود را تمرین کنید. موضوعات شامل: مزایای SageMaker وارد کردن داده ها بررسی داده ها تجسم داده ها پاک کردن داده ها آموزش مدل استفاده از مدل در حال آزمایش مدل مستقر شده

چگونگی آنالیز کردن داده به وسیله قابلیت های یادگیری ماشینی تعبیه شده در Mathematica 11 را بیاموزید. "کرت فرایر" در این دوره آموزشی، به بررسی اجمالی وظایف یادگیری ماشینی می پردازد، طرز جدا کردن داده آموزشی از داده امتحان را توضیح می دهد، و چگونگی وارد کردن داده از فایل را نشان می دهد. او همچنین چگونگی آماده سازی داده برای یادگیری ماشینی، از جمله طرز جایگزینی مقادیر نزدیک صفر با صفر و elementهای دسته بندی با استفاده از یک قانون را نمایش می دهد. "کرت" همچنین به توابع تعیین کننده که داده را به وجود می آورند و انجام taskهای ماشینِ یادگیری نظارت شده، می پردازد. موضوعات شامل: تفکیک داده های آموزش از داده های آزمون وارد کردن داده ها از یک فایل آماده سازی داده ها برای یادگیری ماشین گروه بندی و مرتب سازی عناصر با استفاده از یک قانون تعیین توابع تولید داده یافتن تناسب با استفاده از یک مدل خطی انجام وظایف یادگیری تحت نظارت طبقه بندی موارد با استفاده از داده های آموزشی شناسایی خوشه های داده

Apache Spark یکی از پرکاربردترین و پشتیبانی شده ترین ابزارهای منبع باز برای یادگیری ماشین و داده های بزرگ است. در این دوره، نحوه کار با این بستر قدرتمند برای یادگیری ماشین را کشف کنید. مربی دن سالیوان در مورد MLlib - کتابخانه یادگیری ماشین Spark - بحث می کند که ابزارهایی را برای دانشمندان و تحلیل گران داده فراهم می کند که ترجیح می دهند راه حل هایی برای مشکلات تجاری پیدا کنند تا کدگذاری، آزمایش و نگهداری کتابخانه های یادگیری ماشین خود. وی نحوه استفاده از DataFrames برای سازماندهی ساختار داده را نشان می دهد، و تهیه داده ها و انواع متداول الگوریتم های یادگیری ماشین را شامل می شود: خوشه بندی، طبقه بندی، رگرسیون و توصیه ها. با پایان دوره، شما تجربه بارگذاری داده ها در Spark، پیش پردازش داده ها را در صورت لزوم برای استفاده از الگوریتم های MLlib و استفاده از این الگوریتم ها برای انواع مشکلات یادگیری ماشین خواهید داشت. موضوعات شامل: گردش کار یادگیری ماشین سازماندهی داده ها در DataFrames مراحل پیش پردازش و آماده سازی داده ها برای یادگیری ماشین خوشه بندی داده ها الگوریتم های طبقه بندی روشهای رگرسیون موجود در Spark MLlib رویکردهای مشترک برای طراحی سیستم های توصیه شده

خدمات وب آمازون (AWS) خدمات و ابزارهای زیادی را ارائه می دهد که به دانشمندان داده کمک می کند تا یادگیری ماشین را برای ساخت راه حل های بهتر و هوشمندتر استفاده کنند. در این دوره، با الگوها، خدمات، فرایندها و بهترین روشهای طراحی و پیاده سازی یادگیری ماشین با استفاده از AWS آشنا شوید. مربی لین لانگیت نگاهی به مفاهیم عمومی یادگیری ماشین، از جمله انواع الگوریتم اصلی یادگیری ماشین دارد. وی همچنین انواع سرویس های موجود را بررسی می کند، مانند یادگیری ماشین AWS ،Lex ،Polly و Rekognition، که می توانید برای پیش بینی برچسب های تصویر و فیلم استفاده کنید. به علاوه، او چگونگی کار با سیستم عامل هایی مانند AWS SageMaker را که شامل نوت بوک های میزبان Jupyter است، گام برمی دارد. موضوعات شامل: سناریوهای تجاری را که از یادگیری ماشین بهره مند می شوند ، توصیف کنید. انواع مختلف الگوریتم های مورد استفاده در یادگیری ماشین را شناسایی کنید. توضیح دهید که چگونه از Rekognition برای پیش بینی برچسب های تصویر و فیلم استفاده می شود. نحوه استفاده از الگوریتم های یادگیری ماشین سفارشی را با SageMaker نشان دهید. یادگیری عمیق و یادگیری سنتی را با یکدیگر مقایسه و مقایسه کنید. خلاصه نحوه استفاده از VariantSpark هنگام کار با داده های مقیاس ژنومی.

یادگیری ماشینی می‌تواند باعث شود که برنامه‌های شما سریع‌تر و باهوش‌تر شوند. شما می‌توانید داده‌های مشتری مانند صدا و متن، تصاویر و ویدیو را آنالیز کنید و بدون مداخله انسان عمل کنید. (Google Cloud Platform (GCP یک مجموعه رقابتی از خدمات یادگیری ماشین را برای تقریبا هر نوع معماری، از جمله محاسبات serverless، کانتینرها، و ماشین‌های مجازی ارایه می‌دهد. چگونگی راه‌حل‌های یادگیری ماشین خود را با استفاده از GCP، در این دوره مقدماتی با مربی Lynn Langit یاد بگیرید. او نشان می‌دهد که چطور نیازمندی‌های خود را شناسایی کنید و آن‌ها را به خدماتی مانند GCP machine learning APIs—Cloud Vision, Cloud Speech-to-Text, Cloud Video Intelligence, و GCP AutoML ، متصل کنید. سپس مروری بر مدل‌های ML و شبکه‌های عصبی عمیقی که در Google Cloud ML Engine تعبیه شده اند را به دست آورید. در نهایت، پنج مثال کاربردی مختلف از یادگیری ماشین GCP، از جمله یک chat bot، یک برنامه جستجوی تصویر و یک اینترنت دیوایس مبتنی بر Things را مرور کنید. موضوعات شامل: گزینه های میزبانی: بدون سرور، کانتینرها و ماشین های مجازی فعال کردن هوش مصنوعی GCP آماده سازی داده ها با Cloud Dataflow و Dataprep پیش بینی مدل سازی برای تصاویر ، فیلم ، متن به گفتار و ترجمه ابر یادگیری ماشین با AutoML یادگیری ماشینی پیشرفته و یادگیری عمیق معماری یادگیری ماشین

هوش مصنوعی و یادگیری ماشینی در حال تغییر دنیا هستند . کامپیوترها می‌توانند از ` داده‌ها ` یاد بگیرند بدون برنامه‌ریزی شدن و تصمیم‌گیری خودکار و هوشمند. این فن‌آوری در دسترس شرکت‌های بزرگ و کوچک قرار دارد و تاثیر عمده‌ای بر نحوه هدایت بازاریابی شرکت‌ها دارد. با یادگیری ماشینی , بازاریابان می‌توانند وظایف بسیاری را در طول سفر مشتری , از جمله تقسیم‌بندی مشتری , شخصی سازی , و حتی قیمت‌گذاری، خودکار کنند. این درس به افراد متخصص , خلاق , و رهبری کمک می‌کند تا درک کنند که چگونه یادگیری ماشین می‌تواند، راه فروش به مشتریان B2B و B2C را دگرگون کند . مشاور بازاریابی کریس DallaVilla نشان می‌دهد که چگونه یادگیری ماشین می‌تواند در تمام جنبه‌های بازاریابی از طریق بهبود تعامل مشتری با بهینه‌سازی بازاریابی مبتنی بر حساب مورد استفاده قرار گیرد . او موارد کاربردی را ارایه می‌دهد که تکنولوژی را در عمل نشان می‌دهند و اطلاعات پایه که شما می‌توانید برای بهینه‌سازی همه کمپینهای خود استفاده کنید. موضوعات شامل: بهبود آگاهی از بازار بهبود تعامل ملاحظه بهبود تعامل مشتری فعال بهبود وکالت بهبود بازاریابی مبتنی بر حساب (ABM)