دوره آموزشی علم داده در پلتفرم ابری گوگل: تجزیه و تحلیل پیش بینی کننده
40 دقیقهمتوسط2018-11-07
مدرسین

Kumaran Ponnambalam
Working with data for 20+ years
جزئیات دوره
تجزیه و تحلیل پیشگویانه از داده های تاریخی برای نگاه به آینده استفاده می کند و سازمان ها را قادر می سازد تا تصمیمات بهتری بگیرند. با این حال، انجام پیشبینیهای دقیق از دادههای بزرگ میتواند یک کار طاقت فرسا باشد. Google Cloud Platform (GCP) را وارد کنید، مجموعهای از خدمات رایانش ابری که مقیاسپذیری، کشش، و یادگیری ماشین خودکار را به تجزیه و تحلیل پیشبینیکننده میآورد. این دوره - یکی از مجموعههای دانشمند داده کوماران پونامبالام - نشان میدهد که چگونه از قدرت GCP برای ایجاد پیشبینی برای کسبوکارتان استفاده کنید. با کاوش در ابزارها و ویژگیهای مختلف برای تجزیه و تحلیل پیشبینیکننده در GCP، از جمله Cloud Dataproc، Cloud ML Engine، و APIهای یادگیری ماشینی مانند Cloud Translation، Cloud Vision، و Cloud Video Intelligence شروع کنید. سپس نحوه ساخت، آموزش و استقرار مدلها برای ایجاد پیشبینی را کشف کنید. به علاوه، بهترین شیوه ها را برای کنترل هزینه، آزمایش و نظارت بر عملکرد مدل های پیش بینی کننده بیاموزید.
اهداف یادگیری
ارزیابی ابزارهای یادگیری ماشین در GCP
درک فرآیند تحلیل پیش بینی کننده
مدل های ساختمان
مدل های آموزشی با مشاغل
ساخت و اجرای پیش بینی ها
بهترین روش ها برای کنترل هزینه، آزمایش و نظارت بر عملکرد
اهداف یادگیری
ارزیابی ابزارهای یادگیری ماشین در GCP
درک فرآیند تحلیل پیش بینی کننده
مدل های ساختمان
مدل های آموزشی با مشاغل
ساخت و اجرای پیش بینی ها
بهترین روش ها برای کنترل هزینه، آزمایش و نظارت بر عملکرد
مهارت ها
Data ModelingGoogle CloudSoftware Development ToolsGoogleCloud PlatformsCloud ComputingData ScienceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - چرا از تجزیهوتحلیل پیشبینی کننده در GCP استفاده کنید
- 02 - ماژولهای علم داده تحت پوشش
1. گزینههای ML در GCP
- 03 - Cloud Dataproc
- 04 - Cloud ML Engine
- 05 - زبان طبیعی ابری
- 06 - ترجمه ابری
- 07 - Cloud Vision
- 08 - هوش ویدئویی ابری
- 09 - Cloud Dialogflow
2. مبانی Cloud ML
- 10 - مدل ها
- 11 - نسخههای مدل
- 12 - مشاغل
- 13 - فرآیند تحلیل پیش بینی
3. مدل ساختمان با Cloud ML
- 14 - درک دادههای ورودی
- 15 - ساخت و آزمایش مدل به صورت محلی
- 16 - فایلها را در فضای ذخیرهسازی ابری آپلود کنید
- 17 - کد را برای کار با GCP تغییر دهید
- 18 - ایجاد بسته آموزشی
- 19 - تمرین دویدن به صورت همزمان
- 20 - آموزش استفاده از مشاغل
4. پیش بینیها در Cloud ML
- 21 - ایجاد مدل استقرار
- 22 - ایجاد نسخه مدل
- 23 - ایجاد مجموعه داده پیش بینی
- 24 - اجرای یک پیش بینی
5. بهترین روشهای Cloud ML
- 25 - کنترل هزینه
- 26 - تست محلی
- 27 - نظارت بر عملکرد
نتیجه
- 28 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی انبار داده در پلتفرم ابری گوگل (Google Cloud Platform)
- دوره آموزشی مقدمه ای بر SQL با استفاده از Google BigQuery
- دوره آموزشی علم داده در Google Cloud Platform: طراحی انبارهای داده
- دوره آموزشی علم داده در پلتفرم ابری گوگل: تجزیه و تحلیل داده های اکتشافی
- دوره آموزشی علم داده در پلتفرم ابری گوگل: راه حل های معماری
- دوره آموزشی علم داده در پلتفرم ابری گوگل: ایجاد خطوط لوله داده
- دوره آموزشی یادگیری BigQuery
- دوره آموزشی ایجاد داشبورد در Google Cloud Platform برای مشاغل کوچک
مسیرهای مرتبط
- مسیر آموزشی ارتقا مهارت های خود در تجزیه و تحلیل پیش بینی کننده
- مسیر آموزشی ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی تبدیل شدن به یک استاد تحول دیجیتال
- مسیر آموزشی مهارت های اساسی هوش مصنوعی برای مدیریت Azure
- مسیر آموزشی درک هوش مصنوعی تولیدکننده برای رهبران فناوری
- مسیر آموزشی گواهینامه حرفهای مبانی مهندسی داده
- مسیر آموزشی موفق شدن به عنوان یک توسعه دهنده نرم افزار از راه دور