Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-2 of 2 items.

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

linkedin دریافت داده ها با پایتون (Mitalearn-185212)

  • 1 hours 24 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Miki Tebeka
درباره این دوره:

بخش قابل توجهی از روز یک دانشمند داده اغلب صرف واکشی و تمیز کردن داده هایی می شود که برای آموزش الگوریتم های خود نیاز دارند. در این دوره آموزشی، یاد بگیرید که چگونه از ابزارها و تکنیک های پایتون برای به دست آوردن داده های مرتبط و با کیفیت مورد نیاز خود استفاده کنید. مربی Miki Tebeka خواندن فایل‌ها، از جمله نحوه کار با فایل‌های CSV، XML و JSON را پوشش می‌دهد. او همچنین در مورد فراخوانی APIها، خراش دادن وب (و اینکه چرا باید آخرین راه حل باشد)، و اعتبارسنجی و تمیز کردن داده ها بحث می کند. به علاوه، نحوه ایجاد و نظارت بر شاخص‌های عملکرد کلیدی (KPI) را بیابید که به شما در نظارت بر خط لوله داده‌هایتان کمک می‌کنند.

Suggestions