پیشنهاد فرادرس

آموزش اصولی یادگیری ماشینی در سرویس های وب آمازون

دسته بندی ها: آموزش Jupyter Notebook ، آموزش شبکه ، آموزش های لیندا (Lynda) ، وب سرویس آمازون (AWS) ، هوش مصنوعی ، یادگیری ماشینی (Machine Learning)

سرویس های وب آمازون (AWS) ارائه دهنده سرویس ها و ابزارهای فراوانی است که به دانشمندان داده کمک می کند تا یادگیري ماشینی را به منظور ایجاد بهتر و راه حل های هوشمندانه تر انجام دهند. در این دوره، در مورد الگوها، سرویس ها، فرایندها و بهترین روش ها برای طراحی و اجرای یادگیري ماشینی با استفاده از AWS یاد بگیرید. مربی Lynn Langit نگاهی به مفاهیم اصلی و عمومی یادگیری ماشینی، از جمله انواع الگوریتم های اصلی یادگیری ماشینی می اندازد. همچنین انواع سرویس های موجود مانند AWS Learning Machine، Lex، Polly و Recognition را بررسی می کند که می توانید از آن برای پیش بینی برچسب های تصویر و ویدئو استفاده کنید. علاوه بر این، نحوه کار با سیستم عامل هایی نظیر AWS SageMaker که با نوت بوک های Jupyter میزبانی می شود را آموزش می دهد.

سرفصل:

  • چگونه یادگیری ماشین در تجزیه و تحلیل استفاده می شود؟
  • سرور AWS AI در مقابل سیستم عامل
  • پیش بینی استفاده از متن به گفتار پولی
  • پیش بینی استفاده از Recognition برای ویدیو
  • استفاده از Lex برای ساخت یک برنامه مکالمه
  • استفاده از AWS Machine Learning Service برای آموزش، میزبانی و پیش بینی
  • کار با MXNet در Databricks
  • کار با EMR برای یادگیری ماشین
Amazon Web Services Machine Learning Essential Training Publisher:Lynda Author:Lynn Langit Duration:3h 7m Level:Intermediate

Learn about patterns, services, processes, and best practices for designing and implementing machine learning using Amazon Web Services.
Released: 4/5/2018
Amazon Web Services (AWS) offers a wealth of services and tools that help data scientists leverage machine learning to craft better, more intelligent solutions. In this course, learn about patterns, services, processes, and best practices for designing and implementing machine learning using AWS. Instructor Lynn Langit takes a look at general machine learning concepts, including key machine learning algorithm types. She also examines available service types, such as AWS Machine Learning, Lex, Polly, and Rekognition, which you can use to predict image and video labels. Plus, she steps through how to work with platforms like AWS SageMaker, which includes hosted Jupyter notebooks.
Topics include:
How machine learning is used in analytics
AWS AI servers vs. platforms
Predicting using Polly text-to-speech
Predicting using Rekognition for video
Using Lex to build a conversational application
Using the AWS Machine Learning service to train, host, and predict
Working with MXNet in Databricks
Working with EMR for machine learning
Introduction
Welcome
1m 12s
About using cloud services
2m 7s
1. Machine Learning on AWS
AWS Machine Learning concepts
3m 49s
Business scenarios for machine learning
4m 25s
Which algorithm should I use?
6m 13s
AWS AI servers vs. platforms
2m 38s
AWS AI platforms vs. frameworks
3m 17s
A classifier in action: Amazon Macie
4m 12s
2. Machine Learning API Services
Setup for AWS machine learning APIs
7m 21s
Predict using AWS Comprehend for NLP
4m 55s
Predict using AWS Polly text-to-speech
4m 35s
Predict using AWS Lex for chatbots
6m 17s
Predict using AWS Rekognition for images
6m 40s
Predict using AWS Rekognition for video
2m 43s
Predict using Transcribe and Translate
3m 10s
3. Machine Learning Platforms
Understanding ML platforms
3m 53s
Understanding and using AWS Machine Learning
9m 15s
Understanding SageMaker
3m 54s
Create Jupyter notebooks with SageMaker
6m 12s
Get data with SageMaker notebook
6m 25s
Train model with SageMaker job
3m 6s
Deploy and host model with SageMaker model
2m 31s
Use model from SageMaker endpoint
4m 7s
Selecting algorithm for model training
5m 36s
Advanced use of SageMaker
2m 37s
4. Machine Learning Virtual Servers
Understanding ML virtual servers
4m 7s
Understanding deep learning
2m 36s
Work with Gluon for MXNet in SageMaker
5m 14s
Work with MXNet in SageMaker
9m 1s
Databricks on AWS
7m 2s
Work with MXNet in Databricks
9m 2s
Set up the AWS Deep Learning AMIs
6m 38s
Work with the AWS Deep Learning AMI
4m 16s
Work with EMR for machine learning
8m 40s
5. Machine Learning Architectures
AWS ML APIs for conversational apps
2m 39s
AWS ML service for IoT apps
2m 12s
Spark ML and Databricks AWS for real-time apps
2m 16s
VariantSpark and EMR for genomic research
4m 4s
Best practices for algorithms and architectures
7m 16s
Conclusion
Next steps
1m 10s

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 480.0MB همراه با زیرنویس انگلیسی Lynda Amazon Web Services Machine Learning Essential Training_git.ir.rar
captcha