دوره آموزشی یادگیری خودکار ML.NET، متریک و دقت
35 دقیقهپیشرفته2024-04-30
مدرسین

Sam Nasr
جزئیات دوره
دانستن نحوه استفاده از Microsoft ML.NET یکی از مهارت های مورد تقاضا در بازار کار امروزی است. اگر به دنبال تقویت دانش خود با یادگیری ماشین هستید، ML.NET یک ابزار ضروری در جعبه ابزار شما است. در این دوره، مهندس ارشد نرم افزار و MVP مایکروسافت سام نصر مروری جامع بر برخی از ویژگی های پیشرفته ML.NET از جمله نحوه استفاده از رابط خط فرمان، جمع آوری معیارها و ارزیابی و بهبود دقت و عملکرد مدل ارائه می دهد. قبل از یادگیری نحوه خودکارسازی آموزش مدل با رابط خط فرمان ML.NET، با مقدمه ای بر یادگیری ماشین خودکار (AutoML) شروع کنید. در طول مسیر، Sam به شما نشان می دهد که چگونه یک مدل ML.NET را با معیارها ارزیابی کنید و دقت مدل را با اعتبارسنجی متقابل، تنظیم هایپرپارامتر، بازرسی مقدار خط لوله و موارد دیگر بهبود بخشید.
اهداف یادگیری
یک مدل با استفاده از یادگیری ماشین خودکار (AutoML) بسازید.
مدل را ارزیابی کنید.
جمع آوری معیارهای عملکرد مدل
بهبود دقت مدل
اهداف یادگیری
یک مدل با استفاده از یادگیری ماشین خودکار (AutoML) بسازید.
مدل را ارزیابی کنید.
جمع آوری معیارهای عملکرد مدل
بهبود دقت مدل
مهارت ها
ML.NETMachine LearningArtificial Intelligence (AI)MicrosoftOne-Off
سرفصل ها
0. مقدمه
- 01 - استفاده از اتوماسیون، معیارها و دقت در ML.NET
- 02 - آنچه باید بدانید
- 03 - استفاده از فایلهای تمرین
1. استفاده از AutoML
- 04 - AutoML چیست
- 05 - نحوه استفاده از AutoML API
- 06 - نسخه ی نمایشی - AutoML
2. آموزش مدل را با ML.NET CLI خودکار کنید
- 07 - نحوه نصب ابزار ML.NET CLI
- 08 - نسخه نمایشی - احساسات را با استفاده از ML.NET CLI تجزیهوتحلیل کنید
- 09 - تله متری در ML.NET
3. مدل ML.NET را با متریک ارزیابی کنید
- 10 - معیارهای مدل
- 11 - نسخه ی نمایشی - معیارها
- 12 - اهمیت ویژگی جایگشت (PFI)
- 13 - نسخه نمایشی - اهمیت ویژگی جایگشت (PFI)
4. بهبود دقت مدل
- 14 - مشکل را مجدداً تنظیم کنید
- 15 - ارائه نمونه دادههای بهتر
- 16 - اعتبار سنجی متقابل
- 17 - دمو - اعتبار سنجی متقابل
- 18 - تنظیم فراپارامتر
- 19 - مقادیر خط لوله را بازرسی کنید
- 20 - دمو - مقادیر خط لوله را بررسی کنید
- 21 - الگوریتم دیگری را انتخاب کنید
نتیجه
- 22 - تلههای CLI
- 23 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی AI Show: تجزیه و تحلیل صوتی با Azure Automated ML
- دوره آموزشی هوش مصنوعی مسئولانه با Amazon SageMaker AI
- دوره آموزشی گزارشگیری مالی خودکار با استفاده از هوش مصنوعی
- دوره آموزشی تمرین عملی با مدلهای GPT: نکات و ترفندها
- دوره آموزشی پایتون پیشرفته در اکسل: یادگیری ماشین
- دوره آموزشی هوش مصنوعی در مدیریت ریسک و کشف تقلب
- دوره آموزشی خودکارسازی بررسی کد با OpenAI و Streamlit
- دوره آموزشی علم داده در پلتفرم ابری گوگل: تجزیه و تحلیل پیش بینی کننده
مسیرهای مرتبط
- مسیر آموزشی آماده شدن برای آزمون Juniper Networks Certified Associate، Junos (JN0-103)
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی کار با داده: مهندسی، یکپارچهسازی و MLOps برای هوش مصنوعی
- مسیر آموزشی گواهینامه حرفهای مبانی آماری یادگیری ماشین
- مسیر آموزشی استفاده از هوش مصنوعی بهعنوان یک تحلیلگر امنیت سایبری
- مسیر آموزشی ساخت عوامل هوش مصنوعی: تکنیکهای پیشرفته برای توسعهدهندگان
- مسیر آموزشی Masterpath در رهبری تجزیه و تحلیل برای مدیران
- مسیر آموزشی کار با داده: گردآوری، پردازش و ذخیرهسازی داده برای هوش مصنوعی