دوره آموزشی
دوبله زبان فارسی
طراحی راهکارهای یادگیری ماشین در Azure و آمادگی برای آزمون DP-100
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- بیاموزید که چگونه گردشکارهای یادگیری ماشین (ML) را با استفاده از سرویسهای Azure، از جذب داده تا استقرار مدل، معماری کنید.
- فضاهای کاری، مخازن داده، اهداف محاسباتی و محیطها را ایجاد، پیکربندی و مدیریت کنید.
- از Azure Notebooks و Synapse Spark برای پاکسازی، تبدیل و بررسی مجموعهداده استفاده کنید.
- مدلها را برای تسک های جدولی، بینایی و پردازش زبان طبیعی (NLP) به صورت خودکار آموزش دهید و در عین حال راهنماهای Responsible AI را به کار بگیرید.
- تیونینگ ابرپارامترها را با استفاده از بهینهسازی بیزی، جستجوی تصادفی و توقف زودهنگام انجام دهید.
- اجراهای آموزش مدل، معیارها، پارامترها و مصنوعات را برای ردیابی دقیق آزمایشها ثبت کنید.
- پایپ لاین های یادگیری ماشین ماژولار طراحی کنید که بتوان آنها را خودکارسازی کرد، مجدداً استفاده نمود و در محیط عملیاتی مقیاس داد
- پیشبینیهای بلادرنگ و دستهای را با استفاده از اندپوینت های Azure و پیکربندیهای محاسباتی مناسب ارائه دهید.
- بهترین شیوههای انصاف، قابلیت توضیح و مدیریت مدل را در سراسر چرخه عمر یادگیری ماشین به کار بگیرید.
- مدلهای زبانی بزرگ (LLMs) را با استفاده از Azure OpenAI، جریان پرامپت و نسل افزوده بازیابی (RAG) فاین تیونینگ کنید، مهندسی پرامپت نمایید و مستقر کنید.
پیشنیازهای دوره
- آشنایی با یادگیری تحت نظارت و بدون نظارت، الگوریتمها (مانند رگرسیون، طبقهبندی) و معیارهای ارزیابی مدل
- توانایی نوشتن و درک کد پایه پایتون، به ویژه با استفاده از کتابخانههای علم داده مانند pandas، scikit-learn ،numpy و matplotlib
- تجربه در پیشپردازش داده، مهندسی ویژگی، آموزش مدل و اعتبارسنجی
- درک کلی از مفاهیم و سرویسهای ابری، به ویژه در اکوسیستم Azure.
- تجربه پایه در استفاده از Notebooks برای تحلیل اکتشافی داده (EDA) و آموزش مدل
- دانش اولیه از Git برای مدیریت کد و آزمایشها در محیطهای مشارکتی مفید است.
- درک مفاهیمی مانند میانگین، واریانس، همبستگی و اهمیت آماری به ارزیابی مدل و تحلیل ویژگیها کمک میکند.
- آشنایی با معیارهایی مانند دقت، صحت، بازخوانی، امتیاز F1 و ROC-AUC، به ویژه برای مسائل طبقهبندی و رگرسیون
- دانش REST APIها میتواند هنگام استقرار و تعامل با مدلهای یادگیری ماشین از طریق اندپوینت ها مفید باشد.
- برخی تسک های ممکن است به استفاده پایه از ترمینال نیاز داشته باشند (مانند راهاندازی نمونههای محاسباتی و ناوبری در پوشهها
- یادگیری ماشین فرآیندی تکرارشونده است - دانشجویان باید آماده باشند تا مدلهای خود را به طور مداوم تست کنند، شکست بخورند و بهبود بخشند.
- مهارتهای تفکر انتقادی برای انتخاب الگوریتمها، طراحی آزمایشها و تفسیر نتایج مهم است.
توضیحات دوره
ساخت و استقرار راهکارهای هوشمند یادگیری ماشین با استفاده از Microsoft Azure
این دوره راهنمای کامل شما برای تسلط به گردشکارهای علم داده در ابر است. این دوره برای حرفهایهایی طراحی شده که میخواهند فراتر از آزمایش بروند و مدلهای یادگیری ماشین خود را وارد محیط عملیاتی کنند. این دوره تمام مراحل چرخه عمر یادگیری ماشین را با استفاده از مجموعه ابزارهای قدرتمند Azure پوشش میدهد.
چه به دنبال مقیاسپذیر کردن تواناییهای علم داده خود باشید، چه برای گواهینامه DP-100 آماده شوید، یا قابلیتهای هوش مصنوعی سازمان خود را ارتقا دهید، این دوره تجربه عملی کار با پلتفرمها و شیوههای مورد استفاده در محیطهای سازمانی واقعی را ارائه میدهد.
شما در زمینههای زیر تخصص عملی کسب خواهید کرد:
طراحی معماریهای مؤثر یادگیری ماشین در Azure
- انتخاب فرمتهای مناسب مجموعهداده و اهداف محاسباتی
- ساختاربندی آزمایشها برای مقیاسپذیری و عملکرد
- یکپارچهسازی Git و پایپ لاین های CI/CD برای همکاری سادهتر
آمادهسازی و مدیریت داده در مقیاس
- پالایش و تبدیل داده با استفاده از Notebooks و Synapse Spark
- دسترسی و نسخهبندی مجموعهدادهها از طریق مخازن داده Azure ML
- ساخت و به اشتراکگذاری محیطها در سراسر فضاهای کاری
آموزش مدلها با استفاده از رویکردهای خودکار و سفارشی
- استفاده از AutoML برای طبقهبندی، رگرسیون بینایی و پردازش زبان طبیعی (NLP)
- توسعه اسکریپتهای آموزشی سفارشی با استفاده از پایتون و MLflow
- تیونینگ ابرپارامترها برای عملکرد بهینه مدل
ساخت و مدیریت پایپ لاین های یادگیری ماشین تکرارپذیر
- ایجاد کامپوننت های آموزشی ماژولار
- انتقال و تبدیل داده بین مراحل پایپ لاین ها
- زمانبندی، نظارت و اشکالزدایی گردشکارها
استقرار مدلها برای استنتاج بلادرنگ و دستهای
- پیکربندی اندپوینت های آنلاین برای پیشبینیهای مقیاسپذیر
- راهاندازی اندپوینت های دستهای برای کارهای پردازشی بزرگ
- پیادهسازی گردشکارهای استقرار امن و سازگار
بهینهسازی مدلهای پیشرفته هوش مصنوعی و مدلهای زبانی بزرگ (LLMs)
- انتخاب و فاین تیونینگ مدلهای زبانی بزرگ
- طراحی استراتژیهای مهندسی پرامپت برای دقت و زمینه
- پیادهسازی سیستمهای Retrieval Augmented Generation (RAG)
تضمین Responsible AI و برتری عملیاتی
- اعمال اصول انصاف، شفافیت و قابلیت توضیح
- استفاده از MLflow برای ردیابی آزمایشها و حاکمیت مدل
- خودکارسازی بازآموزی و نظارت در محیط عملیاتی
اگر آمادهاید فراتر از تئوری بروید و شروع به ساخت سیستمهای یادگیری ماشینی کنید که مسائل واقعی کسبوکار را حل میکنند، این دوره برای شما طراحی شده است. این دوره برای یادگیرندگانی عالی است که خواهان راهنمایی ساختاریافته، ابزارهای عملی و آزمایشگاههای عملی هستند که بازتابدهنده فعالیتهای روزانه حرفهایها در صنعت است.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده که به دنبال مقیاسپذیر کردن گردشکارهای یادگیری ماشین خود با استفاده از Azure Machine Learning و خودکارسازی استقرار مدل هستند.
- مهندسان یادگیری ماشین علاقهمند به عملیاتیسازی مدلها با استفاده از پایپ لاین ها، اندپوینت ها و یکپارچهسازی Azure DevOps
- مهندسان و پژوهشگران هوش مصنوعی که با مدلهای مقیاس بزرگ (LLMs) کار میکنند و به دنبال اعمال مهندسی پرامپت، نسل افزوده بازیابی (RAG) و فاین تیونینگ در محیط عملیاتی هستند.
- متخصصان MLOps که بر پیادهسازی پایپ لاین های CI/CD، نسخهبندی مدل و مدیریت چرخه عمر با استفاده از سرویسهای Azure تمرکز دارند.
- توسعهدهندگانی با تمرکز بر داده که به نقشهای هوش مصنوعی/یادگیری ماشین (AI/ML) منتقل میشوند و به دنبال کسب تجربه عملی با پروژههای دنیای واقعی در ابر هستند.
- معماران ابری و مهندسان راهکار که خواهان طراحی معماریهای یادگیری ماشین مقیاسپذیر و امن با استفاده از سرویسها و ابزارهای Azure هستند.
- متخصصان فناوری اطلاعات که برای گواهینامه Microsoft DP-100 آماده میشوند و قصد دارند مهارتهای خود را در طراحی و پیادهسازی راهکارهای علم داده در Azure تأیید کنند.
- دانشجویان دانشگاه و فارغالتحصیلان بوتکمپها که دانش اولیه یادگیری ماشین و پایتون دارند و به دنبال ساخت پروژههای آماده برای نمونهکار و کسب تجربه عملی صنعتی هستند.
طراحی راهکارهای یادگیری ماشین در Azure و آمادگی برای آزمون DP-100
-
معرفی Azure ML به عنوان یک پلتفرم مبتنی بر ابر برای مقیاسپذیری 05:33
-
مزایای مقیاسپذیری، خودکارسازی، زیرساخت مدیریتشده و آمادگی برای MLOps 04:57
-
موارد کاربرد در صنایع مختلف 05:03
-
معماری اصلی: فضای کاری، محاسبات، ذخیرهسازی، محیطها، مدلها 05:18
-
این اجزا چگونه در داخل Azure به یکدیگر متصل میشوند؟ 05:41
-
یکپارچهسازی با سرویسهای دیگر مانند Key Vault و Application Insights 04:42
-
گشتوگذار راهنماییشده در Azure ML Studio 04:59
-
بررسی بخشهای آزمایشها، پایپ لاین ها، مدلها، مجموعهداده، محاسبات و اندپوینت ها 05:31
-
ناوبری در رابط کاربری Azure ML Studio - نسخه نمایشی (DEMO) 09:09
-
درک محتویات یک فضای کاری: آزمایشها، اهداف محاسباتی، محیطها 04:58
-
چگونگی استفاده از هر منبع در چرخه عمر یادگیری ماشین 04:53
-
مقایسه Azure ML Studio، پورتال Azure ،CLI و SDK 04:43
-
کار با Visual Studio Code و Azure ML 05:13
-
نصب افزونه Azure ML، اتصال به فضای کاری و باز کردن یک Notebook 08:57
-
تفاوت بین نسخههای اولیه و سازمان 05:34
-
موارد موجود در هر نسخه (مانند Designer، AutoML، ابزارهای Responsible AI) 06:40
-
کدام ویژگیها برای آزمون DP-100 مرتبط هستند؟ 05:45
-
ایجاد فضای کاری در Azure ML Studio 11:15
-
تأیید منابع تخصیصیافته: ذخیرهسازی، مخزن کلید، بینش اپلیکیشن 10:01
-
پیمایش در رابط کاربری (UI) Azure ML Studio 08:30
-
ایجاد یک نمونه محاسباتی و یک خوشه محاسباتی 09:23
-
توضیح گزینههای اندازه، مقیاسپذیری خودکار و ملاحظات هزینه 07:06
-
دفترچه Jupyter در نمونه محاسباتی، دسترسی به فضای کاری با Python SDK، فهرست کردن 11:45
-
کاوش در Azure ML با رابط خط فرمان (CLI) 10:30
-
بحث در مورد مفید بودن CLI در اسکریپتنویسی و CI/CD 06:55
-
آزمون ماژول 1 DP-100 – اصول یادگیری ماشین Azure None
-
Azure ML Designer چیست؟ 05:34
-
مزایای کلیدی: ایجاد پایپ لاین بدون کدنویسی، رابط درگ و دراپ کردن، آزمایش آسان 05:13
-
چه زمانی و چرا باید از Designer به جای راهکارهای مبتنی بر کد استفاده کرد؟ 05:35
-
موارد کاربرد و تناسب برای سطوح مهارتی مختلف 06:01
-
نمای کلی بخشهای کلیدی: بوم، جعبه ابزار ماژول، پنلهای ورودی و خروجی 07:16
-
بررسی رابط Designer 09:38
-
مقایسه Designer در مقابل Python SDK 02:55
-
مزایا و معایب هر کدام برای سناریوهای مختلف 05:32
-
چه زمانی یادگیری ماشین بدون کد بهترین گزینه است (تحلیلگران کسبوکار، اثبات مفهوم (POC)، تست سریع مدل) 05:31
-
مفهوم پایپ لاین آموزشی – ورودی داده، پیشپردازش، آموزش، ارزیابی 05:14
-
ایمپورت کردن یک مجموعهداده نمونه و ساخت پایپ لاین یادگیری ماشین 10:29
-
اجرای پایپ لاین و بررسی نتایج آزمایش 10:04
-
درک وضعیتهای اجرای ماژول، مصورسازیهای خروجی و معیارهای ارزیابی 05:39
-
مشاهده معیارهای MAE ،RMSE یا دقت از ماژول "ارزیابی مدل" 05:09
-
پایپ لاین استنتاج چیست؟ 04:23
-
تفاوت بین جریانهای آموزشی و استنتاج 06:35
-
استفاده از دکمه _ایجاد پایپ لاین استنتاج _ در Designer برای تبدیل یک مورد تکمیلشده 06:37
-
افزودن و تنظیم ماژولهای ورودی و خروجی وب سرویس 11:28
-
مفاهیم استنتاج بلادرنگ و استنتاج دستهای 04:53
-
کدام یک در مقایسه موارد کاربرد کسبوکار بهتر است؟ 05:22
-
نمای کلی-استقرار یک مدل با Designer در ACI یا AKS 07:10
-
آزمون ماژول 2 DP-100 - Azure ML Designer None
-
چگونگی ردیابی فراداده آزمایش، کد منبع، خروجیها و معیارها در Azure ML 06:46
-
معرفی مفهوم "اجرا" (اجرای واحد یک اسکریپت آموزشی) 04:33
-
اهمیت ردیابی برای نسخهبندی، ممیزی و تکرارپذیری 05:45
-
وقتی یک اسکریپت را به Azure ML ارسال میکنید چه اتفاقی میافتد؟ - بخش 1 05:35
-
وقتی یک اسکریپت را به Azure ML ارسال میکنید چه اتفاقی میافتد؟ - بخش 2 06:01
-
نمای کلی SDK 08:01
-
متدهای SDK 07:37
-
SDK نسخه 1 با یک اسکریپت حداقلی 11:20
-
SDK نسخه 2 با یک اسکریپت حداقلی 09:49
-
مدل ثبتشده چیست و چرا اهمیت دارد؟ 07:24
-
چرا و چگونه معیارها (مانند دقت، خطا و غیره) را از اسکریپت خود ثبت کنیم؟ 09:06
-
مشاهده معیارها در پنل جزئیات اجرا در Azure ML Studio 03:24
-
نحوه عیبیابی اجراهای ناموفق با استفاده از stdout، stderr و لاگ های متنی .txt 05:39
-
ادامه آزمایشگاه 06:01
-
چه زمانی از نمونه محاسباتی و خوشه محاسباتی استفاده کنیم؟ 04:28
-
چگونگی تعیین اهداف محاسباتی در SDK 06:19
-
بروزرسانی اسکریپت آموزشی - ارسال به یک خوشه 12:49
-
استفاده از نامها و برچسبهای توصیفی برای آزمایشها 05:22
-
ماژولار و مختص محیط نگه داشتن اسکریپتهای آموزشی 05:45
-
ردیابی نسخههای کد و داده 05:14
-
پاکسازی منظم منابع و اجراهای قدیمی 04:55
-
آزمون ماژول 3 DP-100 - آزمایش، معیارها و محاسبات در Azure ML None
-
اهمیت داده در گردشکارهای یادگیری ماشین 05:49
-
رویکرد AzureML به داده: متمرکز، قابل استفاده مجدد، نسخهبندیشده 05:02
-
نمای کلی مخازن داده و مجموعهداده 06:16
-
آزمایشگاه: کار با داراییهای داده از طریق رابط کاربری (UI) 15:31
-
مخزن داده چیست - یک لایه انتزاعی امن بر روی ذخیرهسازی (مانند Blob، ADLS، محلی و غیره) 05:47
-
مخزن داده پیشفرض در مقابل مخزن داده سفارشی 05:04
-
چرا مخازن داده اهمیت دارند؟ - مسیرهای یکسان در محیطهای محاسباتی 05:18
-
روشهای احراز هویت: امضای دسترسی مشترک (SAS)، کلید حساب، هویت مدیریتشده 07:48
-
کار با مخازن داده 03:42
-
کار با مخازن داده - زنده 12:36
-
کار با مجموعهداده - تئوری 03:40
-
آزمایشگاه B: کار با مجموعهداده و داراییهای داده - بخش 1 10:20
-
آزمایشگاه B: کار با مجموعهدادهها و داراییهای داده - بخش 2 07:39
-
چگونگی مصرف مجموعهداد توسط محاسبات 05:27
-
چه زمانی باید بر اساس بار کاری و اندازه مجموعهداده از هر حالت استفاده کرد؟ 04:48
-
آزمایشگاه: اتصال در مقابل بارگیری داده 07:34
-
استفاده از نامگذاری و نسخهبندی یکسان 06:14
-
ذخیره جداگانه داده خام پردازششده و آماده آموزش 06:00
-
نگه داشتن کد آموزشی و داده به صورت با اتصال سست (از طریق ورودیها) 04:59
-
پاکسازی مجموعهداده استفاده نشده و اشیاء بزرگ 06:44
-
ماژول 4 - مدیریت داده و مخازن داده در Azure ML - آزمون None
-
هدف محاسباتی در Azure ML چیست؟ 05:43
-
انواع اصلی: نمونه محاسباتی و خوشه محاسباتی 05:10
-
نمونههای موارد کاربرد و ملاحظات هزینه 07:31
-
محاسبات استنتاج (AKS/ACI) 02:51
-
مقایسه ویژگیها - نمونهها و خوشهها 09:53
-
نسخه نمایشی (DEMO) - کار با محاسبات 15:04
-
2 چه زمانی استفاده شود - پایپ لاین های هیبریدی، نزدیکی داده، زیرساخت موجود 06:37
-
تعریف یک محیط در Azure ML 07:04
-
محیطهای گزینششده در مقابل محیطهای سفارشی 05:24
-
اهمیت تکرارپذیری در آموزش 06:23
-
ایجاد محیط سفارشی - تئوری 04:59
-
آزمایشگاه 05A - کار با محیطها - PIP 10:09
-
آزمایشگاه 05B - کار با اهداف محاسباتی 09:57
-
چه باید کرد اگر - اجرا در مرحله نصب شکست خورد (عیبیابی) 06:31
-
ماژول 5 - محاسبات و محیطها در Azure ML - آزمون None
-
تعریف - پایپ لاین چیست؟ 07:32
-
چرا پایپ لاین ها اهمیت دارند؟ 04:07
-
تفاوت بین آزمایشهای یکباره و پایپ لاین ساختاریافته 05:23
-
مثالها: پاکسازی داده → آموزش → ارزیابی → ثبت 04:39
-
هر مرحله در یک پایپ لاینبه چه چیزهایی نیاز دارد؟ 06:06
-
جریانهای داده بین مراحل از طریق داده پایپ لاین یا پوشههای خروجی 04:26
-
مدیریت وابستگیهای بین مراحل 05:14
-
آزمایشگاه 06A - ایجاد یک پایپ لاین دو مرحلهای - بخش 1 08:50
-
آزمایشگاه 06A - ایجاد یک پایپ لاین دو مرحلهای - بخش 2 07:01
-
آزمایشگاه 06A - ایجاد یک پایپ لاین دو مرحلهای - بخش 3 08:44
-
آزمایشگاه 06A - ایجاد یک پایپ لاین دو مرحلهای - بخش 4 08:38
-
آزمایشگاه 06A - ایجاد یک پایپ لاین دو مرحلهای - بخش 5 12:06
-
استفاده از داده پایپ لاین نسخه 1 یا ورودی/خروجیهای نامگذاریشده نسخه 2 06:16
-
اطمینان از اینکه خروجیهای داده یک مرحله برای مرحله بعدی در دسترس است 05:34
-
مدیریت واقعی داده بین اجرای هر مرحله از پایپ لاین 06:16
-
انتشار پایپ لاین برای استفاده مجدد - تئوری 05:23
-
آزمایشگاه 06B - انتشار پایپ لاین برای استفاده مجدد - بخش 1 09:45
-
آزمایشگاه 06B - انتشار پایپ لاین برای استفاده مجدد - بخش 2 10:47
-
زمانبندی: اجرای پایپ لاین ها به صورت روزانه، هفتگی و غیره 05:13
-
گزینههای یکپارچهسازی ( 06:32
-
موارد کاربرد: بازآموزی خودکار، گردشکارهای امتیازدهی دستهای 05:04
-
استفاده مجدد از مراحل به عنوان کامپوننت ها 04:19
-
نسخهبندی اسکریپتها و مجموعهداده پایپ لاین خود 03:37
-
نظارت مستقل هر مرحله 04:30
-
استفاده از نامگذاری و برچسبگذاری یکسان برای قابلیت ردیابی 05:04
-
ماژول 6- پایپ لاین های یادگیری ماشین در Azure ML - آزمون None
-
نمونههای کانتینر Azure 04:02
-
سرویسهای Kubernetes Azure 03:41
-
اندپوینت آنلاین مدیریتشده: بدون سرور، مقیاسپذیر، راهاندازی آسانتر 04:55
-
کامپوننت های مورد نیاز برای استقرار 05:56
-
چگونگی بستهبندی این کامپوننت ها در یک کانتینر قابل استقرار توسط Azure ML 06:05
-
آزمایشگاه 07A - ایجاد یک اندپوینت استنتاج بلادرنگ - بخش 1 10:07
-
آزمایشگاه 07A - ایجاد یک اندپوینت استنتاج بلادرنگ - بخش 2 10:33
-
آزمایشگاه 07A - ایجاد یک اندپوینت استنتاج بلادرنگ - بخش 3 09:13
-
گزینههای احراز هویت: - کلید اندپوینت - توکن AzureML 04:48
-
چگونگی قالببندی محموله درخواست JSON 06:01
-
مدیریت قالبهای پاسخ و خطا 05:24
-
آزمایشگاه 07B - ایجاد یک سرویس استنتاج دستهای - بخش 1 11:07
-
آزمایشگاه 07B - ایجاد یک سرویس استنتاج دستهای - بخش 2 09:26
-
آزمایشگاه 07B - ایجاد یک سرویس استنتاج دستهای - بخش 3 13:41
-
آزمایشگاه 07B (گزینه 2) - ایجاد یک سرویس استنتاج دستهای از طریق Endpoint - بخش 1 10:10
-
آزمایشگاه 07B (گزینه 2) - ایجاد یک سرویس استنتاج دستهای از طریق Endpoint - بخش 2 08:56
-
آزمایشگاه 07B (گزینه 2) - ایجاد یک سرویس استنتاج دستهای از طریق Endpoint - بخش 3 09:28
-
استقرار نسخههای جدید مدل تحت همان Endpoint 04:51
-
تقسیم ترافیک بین استقرارها 04:36
-
پاکسازی استقرارهای قدیمی 04:26
-
نظارت تأخیر ، توان عملیاتی و نرخ شکست 07:55
-
ماژول 7 - مرور 06:44
-
ماژول 7- استقرار در دنیای واقعی در Azure ML - آزمون None
-
تعاریف: پارامترهای مدل - ابرپارامترها 06:25
-
چرا تیونینگ ابرپارامترها برای عملکرد مدل مهم است؟ 06:06
-
نمونههایی از ابرپارامترهای معمولاً تنظیمشونده 07:46
-
چگونگی فعالسازی تیونینگ خودکار توسط Azure ML 05:00
-
استراتژیهای جستجو: شبکهای، تصادفی، بیزی 05:52
-
سیاستهای توقف زودهنگام: Bandit، توقف میانه 05:56
-
نمای کلی پیکربندی تیونینگ 07:00
-
آزمایشگاه 08A - انجام تیونینگ ابرپارامتر - بخش 1 09:55
-
آزمایشگاه 08A - انجام تیونینگ ابرپارامتر (Hyperparameter Tuning) - بخش 2 09:05
-
آزمایشگاه 08A - انجام تیونینگ ابرپارامتر - بخش 3 10:05
-
AutoML چه کاری انجام میدهد؟ 06:22
-
تسک های پشتیبانیشده: طبقهبندی، رگرسیون، پیشبینی 06:13
-
ویژگیهای کلیدی: قابلیت توضیح داخلی، بهترین شیوههای داخلی: اعتبارسنجی متقابل (CV)، متعادلسازی کلاس 06:33
-
آزمایشگاه 08B - اجرای یک آزمایش AutoML از طریق SDK نسخه 2 - بخش 1 10:20
-
آزمایشگاه 08B - اجرای یک آزمایش AutoML از طریق SDK نسخه 2 10:15
-
پس از یک اجرای AutoML چه چیزهایی تولید میشود؟ 08:00
-
چه زمانی از HyperDrive در مقابل AutoML استفاده کنیم؟ 05:13
-
بررسی خروجیها در Studio - رتبهبندی و اهمیت ویژگی 05:07
-
آزمایشگاه 08C - درک خروجی AutoML 08:48
-
AutoML شامل اهمیت ویژگی، نمودارها، اعتبارسنجی داده، بررسیهای نشت ، متعادلسازی است 05:59
-
چگونه این بینشها را در دسترس قرار دهیم؟ 04:40
-
ماژول 8- تیونینگ ابرپارامتر و AutoML - آزمون None
-
نیاز به شفافیت در یادگیری ماشین (ML) 07:52
-
تفسیرپذیری سراسری در مقابل محلی 05:20
-
چگونگی استفاده Azure ML از SHAP در پشت صحنه 05:06
-
متدهای پشتیبانیشده توسط SHAP 06:16
-
انواع توضیح 04:56
-
روی AutoML و مدلهای سفارشی کار میکند 05:10
-
آزمایشگاه 09A - بررسی توضیحات AutoML - بخش 1 11:13
-
آزمایشگاه 09A - بررسی توضیحات AutoML - بخش 2 10:01
-
آزمایشگاه 09B - تفسیر مدلها و کد Tabular Explainer 11:12
-
نحوه استفاده از کلاینت توضیح 05:01
-
Azure ML شامل برخی نردههای محافظ داخلی است 06:11
-
توضیح به شناسایی موارد زیر کمک میکند - سوگیری، پروکسیهای ناخواسته، موارد داده محور پرت 06:09
-
آزمایشگاه 09C - تفسیر مدلها با Responsible AI 11:28
-
ماژول 9- تفسیرپذیری مدل و (Responsible AI) - آزمون None
-
نظارت مدلها - نقاط شکست رایج 06:33
-
دستهبندیهای نظارت 07:18
-
ابزارهای نظارت داخلی در Azure 07:25
-
هر کدام چه زمانی استفاده میشوند و چه چیزهایی را ردیابی میکنند؟ 05:57
-
آزمایشگاه 10A و Application Insights در ابر Azure - بخش 1 11:49
-
آزمایشگاه 10A و Application Insights در ابر Azure - بخش 2 10:18
-
آزمایشگاه 10A و Application Insights در ابر Azure - بخش 3 10:23
-
آزمایشگاه 10B و Application Insights در Azure ML Studio 09:52
-
توضیح چگونگی لاگ کردن موارد زیر - زمانهای پردازش پیشبینیها و امتیاز اطمینان 06:06
-
از طریق SDK مربوط به Application Insights یا لاگ کردن سفارشی 05:19
-
اقدامات در صورت رانش 05:35
-
اقدامات در صورت خرابی سرویس 05:05
-
آزمایشگاه 10C - نظارت رانش داده در Azure ML Studio 10:46
-
ماژول 10- نظارت مدلهای یادگیری ماشین (ML) مستقرشده - آزمون None
مشخصات آموزش
طراحی راهکارهای یادگیری ماشین در Azure و آمادگی برای آزمون DP-100
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:همه سطوح
- تعداد درس:205
- مدت زمان :22:42:58
- حجم :17.75GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
5,201,500
1,040,300 تومان
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,833,000
366,600 تومان
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
3,769,000
753,800 تومان
- زمان: 05:03:33
- تعداد درس: 37
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,033,500
206,700 تومان
- زمان: 01:23:15
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
9,779,500
1,955,900 تومان
- زمان: 13:07:38
- تعداد درس: 87
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,260,000
452,000 تومان
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
795,000
159,000 تومان
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
8,508,000
1,701,600 تومان
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی