آمادهسازی داده، مهندسی ویژگی و تقویت داده برای مدلهای هوش مصنوعی
✅ سرفصل و جزئیات آموزش
در این دوره پیشرفته، دن سالیوان- یک معمار Cloud، نویسنده و متخصص Google Cloud- به بررسی تکنیکهای مهندسی داده برای ساخت سیستمهای هوش مصنوعی میپردازد. درباره آمادهسازی داده، از جمله ارزیابی کیفیت داده، تولید نمایشهای برداری، انکدینگهاو سایر فرآیندهای مورد نیاز برای پشتیبانی از اپلیکیشنهای هوش مصنوعی در محیط پروداکشن بیاموزید.
راههای استفاده از آنتولوژیها، طبقهبندیها، گرافهای دانش و سایر تکنیکهای تقویت داده را برای بهبود قابلیتهای دانش و استدلال اپلیکیشنهای هوش مصنوعی بررسی کنید. با تأکید بر فریمورکهای اعتبارسنجی خودکار و مدیریت متادیتا، عمیقاً به نظارت بر کیفیت بپردازید. بهعلاوه، کشف کنید که چگونه منابع داده را شناسایی کرده، بررسیهای کیفیت داده را اعمال کنید و کیفیت مدلها را برای سیستمهای هوش مصنوعی در سطح پروداکشن ارزیابی کنید.
آمادهسازی داده، مهندسی ویژگی و تقویت داده برای مدلهای هوش مصنوعی
-
به این دوره خوش آمدید 0:00:38
-
آنچه باید بدانید 0:00:47
-
اکتشاف داده و ارزیابی اولیه کیفیت 0:04:49
-
تشخیص و مدیریت داده گمشده 0:05:13
-
تشخیص و مدیریت داده پرت 0:03:00
-
چالش: ارزیابی کیفیت داده یک مجموعه داده 0:00:18
-
راهحل: ارزیابی کیفیت داده یک مجموعه داده 0:00:23
-
مهندسی ویژگی: مقیاسبندی و نرمالسازی داده 0:04:47
-
مهندسی ویژگی: انکدینگ داده دستهای 0:04:08
-
چالش: اعمال مهندسی ویژگی روی یک مجموعه داده 0:00:18
-
راهحل: اعمال مهندسی ویژگی روی یک مجموعه داده 0:00:16
-
داده ساختاریافته در برابر داده بدون ساختار 0:03:09
-
نمایشهای برداری از داده بدون ساختار 0:03:46
-
ابزارهایی برای تولید نمایشهای برداری 0:03:50
-
شباهت بین نمایشهای برداری 0:02:45
-
چالش: انتخاب ابزار تولید بردار 0:00:17
-
راهحل: انتخاب ابزار تولید بردار 0:00:29
-
عناصر کیفیت داده: سازگاری، دقت و کامل بودن 0:03:54
-
تکنیکهای آماری برای ارزیابی کیفیت داده 0:04:11
-
چالش: کیفیت داده 0:00:15
-
راهحل: کیفیت داده 0:00:18
-
مروری بر تقویت داده 0:04:23
-
آشفتگی متن و انتقال سبک 0:04:55
-
تولید افزوده شده با بازیابی (RAG) 0:05:04
-
مقدمهای بر LangChain برای RAG 0:03:43
-
چالش: درک اجزای RAG 0:00:15
-
راهحل: درک اجزای RAG 0:00:16
-
مروری بر تقویت دانش 0:06:27
-
ابزارها و تکنیکهای Fine-tuning و تقطیر دانش 0:02:58
-
آنتولوژیها، طبقهبندیها و ابزارها و تکنیکهای گراف دانش 0:04:15
-
چالش: تقویت دانش 0:00:16
-
راهحل: تقویت دانش 0:00:17
-
تعیین اینکه از چه منابع دادهای استفاده شود 0:03:40
-
اعمال بررسیهای کیفیت داده 0:03:54
-
ساخت مدلها 0:06:27
-
ارزیابی مدل 0:04:06
-
چالش: شیوههای توسعه 0:00:15
-
راهحل: شیوههای توسعه 0:00:15
-
گامهای بعدی 0:01:11
مشخصات آموزش
آمادهسازی داده، مهندسی ویژگی و تقویت داده برای مدلهای هوش مصنوعی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:متوسط
- تعداد درس:39
- مدت زمان :1:48:08
- حجم :209.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:23:15
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 08:41:15
- تعداد درس: 87
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 07:37:25
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 01:42:31
- تعداد درس: 11
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی