پیشنهاد فرادرس

آموزش اصول یادگیری ماشین و هوش مصنوعی : استراتژی مدل سازی پیش بینانه در مقیاس

دسته بندی ها: یادگیری ماشینی (Machine Learning) ، هوش مصنوعی ، آموزش های LinkedIn

تولید راه حل های تحلیلی پیش بینی، در یک کلاس جهانی نیازمند شناخت چالش های مربوط به مقیاس و اندازه نمونه می باشد، زیرا در مراحل مختلف پروژه می توانند مشکل ساز باشند. چگونه اندازه داده ی مورد استفاده  را برآورد می کنید؟ چه انداره از آن خیلی کوچک و چه انداره از آن خیلی بزرگ است؟ سازماندهی پروژه تا چه حد منطبق با حجم داده و خواسته های شما میباشد؟ در این دوره با استفاده از اصول یادگیری ماشین و بر اساس جنبه های فنی مربوط به چگونگی تعیین کفایت مقدار داده ها به منظور ساخت یک مدل  پیش بینانه کارآمد، گام به گام پیش می رویم. مدرس در  این دوره با ذهنی منعطف، همچنین بکارگیری  تخصصIT، علم آمارو ابزار های متنوع دیگر همه مراحل ساخت یک مدل از قبیل انتخاب داده، آماده سازی داده، رتبه بندی و استفاده از آنها را مرور خواهد کرد.

توجه : این دوره نرم افزار محور نیست ، تاکید ما بیشتر بر استراتژی و برنامه ریزی است.

مثال ها، محاسبات و خروجی نرم افزار ها فقط اهداف آموزشی دارند.

سرفصل ها

  • معرفی
  • بررسی مقدمات یادگیری ماشین
  • تعریف اصطلاحات
  • تعریف مراحل یک پروژه یادگیری ماشین
  • داده و یادگیری ماشین تحت نظارت
  • نه مورد از مشکلات پیش روی حوزه ی مه داده
  • مراحل تحلیل پیش بین محور
  • چرا اندازه داده شما ممکن است کوچک باشد؟
  • طراحی مجموعه داده های یادگیری ماشین
  • اندازه داده چقدر باید باشد؟
  • توازن داده
  • چه کسی واقعا با مه داده سر وکار دارد ؟
  • برآورد انداره داده
  • داده هایی که باید حذف شوند
  • فصلی بودن داده ها و ترتیب دهی آنها براساس  زمان
  • چالش های آماده سازی داده
  • داده و دانشمند داده
  • تجمیع و ساختار دهی مجدد داده
  • کد بندی داده
  • مدیریت ویژگی ها
  • چالش های مدل بندی
  • شناخت فرآیند مدلبندی
  • الگوریتم های دیر آموز : اعمال نیرو
  • الگوریتم های دیر آموز : محاسبات بیشتر
  • الگوریتم های دیر آموز : مدل های بیشتر
  • چگونه یک نمونه مناسب بگیریم ؟
  • مدلبندی با استفاده از داده های گمشده
  • رتبه بندی
  • رتبه بندی مدل های متداول یادگیری ماشین
  • رتبه بندی مدل جعبه سیاه
  • رتبه بندی یک گروه
  • بکارگیری
  • رتبه بندی گروهی در برابر رتبه بندی آنی
  • آماده سازی داده و رتبه بندی
  • ترکیب رتبه بندی گروهی و آنی
  • نظارت و نگهداری
  • نظارت بر مدل چیست؟
  • اغلب چه زمانی باید مجددا مدلبندی کنیم ؟
  • نتیجه گیری
  • قدم های بعدی
آیا این نوشته را دوست داشتید؟
Machine Learning and AI Foundations: Predictive Modeling Strategy at Scale Publisher:Linkedin Author:Keith McCormick Duration:1h 21m 26s Level:Beginner

Scalability is one of the biggest challenges in data science. Learn how to evaluate data, choose the right algorithms, and perform predictive modeling at scale.
Released: : December 11, 2018
Building world-class predictive analytics solutions requires recognizing that the challenges of scale and sample size fluctuate greatly at different stages of a project. How do you know how much data to use? What is too little, what is too much? How does your infrastructure need to scale with the volume and demands of the project? This course walks step by step through the strategic and tactical aspects of determining how much data is needed to build an effective predictive modeling solution based on machine learning and what volumes of data are so large that they will create challenges. Instructor Keith McCormick reviews each stage—data selection, data preparation, modeling, scoring, and deployment—with scalability in mind, providing IT professionals, data scientists, and leadership with new insights, perspectives, and collaboration tools.
Note: This course is software agnostic. The emphasis is on strategy and planning. Examples, calculations, and software results shown are for training purposes only.
Introduction
Scaling machine learning initiatives
Defining terms
1. The Phases of a Machine Learning Project
Data and supervised machine learning
The nine big data bottlenecks
The stages of predictive analytics data
Why you might have too little data
2. Designing a Machine Learning Dataset
How much data do I need?
Balancing
Who truly has big data?
Assessing data
Selecting: Data that should be left out
Seasonality and time alignment
3. Data Prep Challenges
Data and the data scientist
Aggregate and restructure
Dummy coding
Feature engineering
4. Modeling Challenges
Understanding the modeling process
Slow algorithms: Brute force
Slow algorithms: More calculations
Slow algorithms: More models
How to sample properly
Modeling with missing data
5. Scoring
Scoring traditional ML models
Scoring a black box model
Scoring an ensemble
6. Deployment
Batch vs. real-time scoring
Data prep and scoring
Combining batch and real-time scoring
7. Monitoring and Maintenance
What is model monitoring?
How often should you rebuild?
Conclusion
Next steps

پیشنهاد فرادرس