اکثر سازمان ها می خواهند قدرت یادگیری ماشینی را به منظور بهبود محصولات خود مهار کنند، اما ممکن است همیشه این تخصص وجود نداشته باشد. در این دوره با آموزش مدل های یادگیری ماشینی در مجموعه داده های خود با چند کلیک بر روی UI یا چند فرمان در یک پنجره ترمینال آشنا می شوید. همچنین نشان می دهد که چگونه مهندسان و تحلیل گران می توانند از قدرت ML با AutoML استفاده کنند تا بدون نیاز به تخصص یادگیری ماشینی مدل های خود را بسازنند و داده های خود را آموزش دهند. در ابتدا، با معرفی سرویس های یادگیری ماشینی در Google Cloud و درک ویژگی های هر کدام جهت انتخاب صحیح آنها آشنا می شوید. شما مفاهیم اولیه AutoML را یاد خواهید گرفت که از جستجوی معماری عصبی استفاده می کند و یادگیری را برای یافتن بهترین شبکه عصبی برای مورد سفارشی انتقال دهند. سپس، به بررسی مدل ترجمه AutoML می پردازید. شما از مدل سفارشی خود برای پیش بینی از رابط کاربری، از خط فرمان و با استفاده از API های Python استفاده خواهید کرد. شما همچنین اهمیت نمره BLEU برای تجزیه و تحلیل کیفیت مدل ترجمه را یاد خواهید گرفت. در نهایت با استفاده از API های زبان طبیعی آشنا می شوید که AutoML ارائه می دهد تا یک مدل برای تحلیل احساسات ایجاد کنید و کار با AutoML برای طبقه بندی عکس با استفاده از API های ویژوال AutoMLرا آموزش می بینید.

سرفصل:

  • معرفی دوره
  • معرفی Google Cloud AutoML
  • پیش نیازها
  • معرفی Cloud AutoML
  • Cloud ML APIs درمقابل AutoML
  • انتقال یادگیری
  • Neural Architecture Search
  • اجرای Custom Translation با استفاده از AutoML Translation
  • Cloud ML APIs درمقابل AutoML برای Translation
  • فعال سازی APIs برای AutoML Translation
  • ایجاد یک مجموعه داده و وارد کردن داده ها
  • آموزش و پیش بینی
  • پیش بینی با استفاده از REST API و Python Client
  • تمیز کردن مدل ها، مجموعه داده ها و Buckets
  • استفاده از خط فرمان برای آموزش یک مدل
  • ایجاد مجموعه داده ها و وارد کردن داده ها با استفاده از خط فرمان
  • پیش بینی با استفاده از خط فرمان
  • کار با زبان با استفاده از زبان طبیعی AutoML
  • Cloud ML APIs درمقابل AutoML برای متن
  • آستانه احتمال برای طبقه بندی
  • انواع Classifiers
  • ایجاد مجموعه داده و آپلود داده آموزشی
  • آموزش مدل تحلیل احساسات
  • ارزیابی Classifer و  استفاده از آن برای پیش بینی
  • کار با تصاویر با استفاده از AutoML Vision
  • Cloud ML APIs درمقابل  AutoML برای Vision
  • ایجاد مجموعه داده و وارد کردن داده آموزشی
  • آموزش و ارزیابی Image Classifier
  • طبقه بندی عکس با استفاده از رابط کاربری
  • طبقه بندی تصویر با استفاده از REST API و Python Client
  • و غیره