دوره آموزشی یادگیری جامع Google Cloud Platform برای Machine Learning
1 ساعت 35 دقیقهمبتدی2024-02-26
مدرسین

Lynn Langit
Cloud Architect
جزئیات دوره
یادگیری ماشینی می تواند برنامه های شما را سریعتر و هوشمندتر کند. می توانید داده های مشتری مانند ورودی صوتی و متنی، تصاویر و ویدیو را تجزیه و تحلیل کنید و بدون دخالت انسان اقدام کنید. Google Cloud Platform (GCP) مجموعهای رقابتی از خدمات یادگیری ماشینی را برای تقریباً هر نوع معماری، از جمله محاسبات بدون سرور، کانتینرها و ماشینهای مجازی ارائه میدهد. در این دوره با مربی لین لنگیت، یاد بگیرید که از ابزارها و خدمات توسعه مدل یادگیری ماشینی موجود در Google Cloud استفاده کنید. Lynn نشان می دهد که چگونه می توانید از خدمات یادگیری ماشینی Vertex AI برای توسعه، آموزش، ارزیابی و میزبانی مدل های یادگیری ماشین سفارشی استفاده کنید. بیاموزید که چگونه میتوانید مدلهای خود را بیاورید یا از مدلهای پایه هوش مصنوعی که اخیراً منتشر شدهاند به عنوان پایهای برای کار خود استفاده کنید. کشف کنید که چگونه ابزارهای جدیدی مانند Google AI Studio میتوانند شما را به سرعت راهاندازی کنند و نحوه استفاده از Vertex AI API برای تسلط بر MLOهای سرتاسری را ببینید.
مهارت ها
Google Cloud PlatformMachine LearningSoftware Development ToolsGoogleCloud PlatformsEssential TrainingArtificial Intelligence (AI)Cloud ComputingSoftware Development
سرفصل ها
0. مقدمه
- 01 - GCP و یادگیری ماشینی
- 02 - آنچه باید بدانید
- 03 - در مورد استفاده از خدمات ابری
1. Vertex AI Studio
- 04 - از Vertex AI Model Garden استفاده کنید
- 05 - دستورات مدل زبان را طراحی و آزمایش کنید
- 06 - دستورات مدل چندوجهی را طراحی و آزمایش کنید
- 07 - خروجی مولد مدل تصویر را آزمایش کنید
- 08 - طراحی و آزمایش خروجی مولد گفتار
- 09 - چالش - مدلهای GenAI را انتخاب و آزمایش کنید
- 10 - راه حل - مدلهای GenAI را انتخاب و آزمایش کنید
2. نوت بوکهای Vertex AI
- 11 - خدمات موجود را درک کنید
- 12 - از مثال TensorFlow - MNIST استفاده کنید
- 13 - از نوت بوکهای مدیریت شده و مدیریت شده توسط کاربر استفاده کنید
- 14 - به روز رسانی نمونه نوت بوک
- 15 - از نمونههای نوت بوک استفاده کنید
- 16 - چالش - راهاندازی دفترچه یادداشت
- 17 - راه حل - دفترچه راه اندازی
3. توسعه مدل
- 18 - جستجوی برداری را درک کنید
- 19 - از جستجوی برداری استفاده کنید
- 20 - فروشگاه ویژگی را درک کنید
- 21 - چالش - یک فروشگاه ویژگی ایجاد کنید
- 22 - راه حل - یک فروشگاه ویژگی ایجاد کنید
4. استقرار مدل
- 23 - از رجیستری مدل استفاده کنید
- 24 - یک مدل را در رجیستری ثبت کنید
- 25 - نقاط پایانی دسته ای و آنلاین را مرور کنید
- 26 - الگوهای خط لوله مدل را درک کنید
- 27 - چالش - یک کار خط لوله مدل را اجرا و ارزیابی کنید
- 28 - راه حل - یک کار خط لوله مدل را اجرا و ارزیابی کنید
نتیجه
- 29 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی فریمورک گوگل کلود برای یادگیری ماشین (2018)
- دوره آموزشی جامع پلتفرم گوگل کلود برای Administrators ورژن (2020)
- دوره آموزشی یادگیری جامع Google Cloud Platform برای مدیران
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری جامع گوگل کلود: استقرار، تجزیه و تحلیل و امنیت محیط کلود شما
- دوره آموزشی مشاغل و گواهینامههای رایانش ابری
- دوره آموزشی آمادگی برای گواهینامه مهندس یادگیری ماشین حرفهای گوگل کلود
- دوره آموزشی استفاده از آموزش مبتنی بر ابر در Google Cloud Platform: برنامه های دنیای واقعی
مسیرهای مرتبط
- مسیر آموزشی توسعه مهارت های هوش مصنوعی خود با Google Gemini و Google Cloud Platform
- مسیر آموزشی ارتقاء مهارت های خود را در هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی ایجاد دانش خود در مدیریت ابری
- مسیر آموزشی آماده شدن برای آزمون AWS Certified Developer - Associate (DVA-C01)
- مسیر آموزشی مهارت های اساسی هوش مصنوعی برای مدیریت Azure
- مسیر آموزشی درک هوش مصنوعی تولیدکننده برای رهبران فناوری
- مسیر آموزشی کاوش شغلی در مهندسی داده
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی