در حال حاضر محصولی در سبد خرید شما وجود ندارد.
مدل های یادگیری ماشین را در پرس و جو Google Cloud Big با استفاده از SQL استاندارد ایجاد کنید. QUERY ML QUERY BIG برای مهندسین ML و داده ها
عنوان اصلی : BigQuery ML - Machine Learning in Google Cloud with BigQuery
سرفصل های دوره :
معرفی GCP :
GCP در مقابل AWS در مقابل Azure - چرا GCP را انتخاب کنید
خدمات AI و ML در Google Cloud
معرفی BigQuery ML (BQML):
چالش های مرسوم ML و پرس و جوی بزرگی که به آنها رسیدگی می کند
ویژگی های BigQuery ML
مزایای BigQuery ML
مدل های پشتیبانی شده از BQML
مبانی BigQuery - دوره Crash:
اطلاعیه
یک حساب GCP راه اندازی کنید
نکته مهم
یک پروژه ایجاد کنید
تور رابط کاربری BigQuery
یک مجموعه داده ایجاد کنید
یک جدول ایجاد کنید
تکالیف - ایجاد جدول
رگرسیون خطی:
رگرسیون خطی چیست - قسمت 2
محدودیت های ایجاد پرس و جو مدل
رگرسیون خطی مثال مورد استفاده
گزینه های اساسی در ایجاد کوئری مدل
مشکل بیش از حد برازش
قاعدهسازی L2/Rridge
قاعده سازی L1/Lasso
استراتژی بهینه سازی نزول گرادیان
انواع نزول گرادیان
گزینه نرخ یادگیری
گزینه های دیگر در ایجاد کوئری مدل
آموزش مدل - بنویسید ایجاد Query مدل برای رگرسیون خطی
کاوش جزئیات مدل
پرسمان ارزیابی مدل (ML.EVALUATE)
آموزش مدل - Optimize Create Model Query
عملکرد ML.TRAINING_INFO
پیشبینی مدل (ML.PREDICT)
آزمون 1
تخصیص - رگرسیون خطی
تنظیم فراپارامتر در BigQuery:
تنظیم فراپارامتر چیست؟
گزینه های تنظیم Hyperparameter در BigQuery
مدل رگرسیون خطی را تنظیم کنید
عملکرد ML.TRIAL_INFO
توابع توضیح پذیری مدل:
چرا قابلیت توضیح مدل مهم است؟
توابع توضیح پذیری مدل در BigQuery
تابع ML.WEIGHTS
لیست توابع پشتیبانی شده توسط همه مدل ها
رگرسیون لجستیک:
رگرسیون لجستیک چیست؟
تابع سیگموئید
رگرسیون لجستیک مثال مورد استفاده
آموزش مدل - بنویسید ایجاد پرس و جو مدل برای رگرسیون لجستیک
معیارهای ارزیابی مبانی توضیح داده شده است
دقت، یادآوری، دقت، امتیاز F1
توابع ارزیابی در BigQuery
عملکرد پیشبینی (ML.PREDICT)
کاربردهای رگرسیون لجستیک
آزمون 2
تکالیف - رگرسیون لجستیک
پیش پردازش ویژگی:
پیش پردازش ویژگی خودکار
پیش پردازش ویژگی دستی - قسمت 1
پیش پردازش ویژگی دستی - قسمت 2
عملکرد FEATURE_INFO
K-means Clustering:
خوشه بندی چیست
مزایا و معایب K-means
کاربردهای الگوریتم K-means
گزینهها در Create model query
K-means مثال در BigQuery - Evaluation
K-means مثال در BigQuery - Prediction
K-means مثال در BigQuery - تشخیص ناهنجاری
آزمون 3
تکالیف - Kmeans Clustering
درختان تقویت شده:
تقویت چیست و چرا لازم است؟
انواع تقویت
گزینه ها در ایجاد پرس و جو مدل - قسمت 1
گزینه ها در ایجاد پرس و جو مدل - قسمت 2
مثال درخت تقویت شده - از معرفی Case و EDA استفاده کنید
نمونه درخت تقویت شده - مهندسی ویژگی قسمت 1
نمونه درخت تقویت شده - تنظیم فراپارامتر
نمونه درخت تقویت شده - ارزیابی
آزمون 4
درخت تقویت شده - تکلیف
عملیات مدیریت مدل در BigQuery:
مقدمه
عملیات روی مدل ها - قسمت 1
شبکه عصبی عمیق (DNN):
شبکه عصبی مصنوعی چیست؟
کار شبکه عصبی مصنوعی
کار DNN توضیح داده شد
توابع فعالسازی - Sigmoid، TanH
توابع فعالسازی - RELU
کدام عملکرد فعالسازی را انتخاب کنیم؟
تکنیک انصراف برای جلوگیری از تطبیق بیش از حد
گزینه HIDDEN_UNITS
بهینه ساز در DNN
گزینه های دیگر در DNN
نمونه استفاده از DNN
اجرای مثال DNN در BigQuery ML
آزمون
تکالیف - DNN
قیمت گذاری BigQuery ML:
مدل قیمت گذاری با نرخ ثابت چیست؟
هزینه های مربوط به مدل قیمت گذاری نرخ ثابت
رزروها
مدل قیمت گذاری بر اساس تقاضای BigQuery ML
قیمت را برای عبارت Create Model محاسبه کنید
آزمون - قیمت گذاری
ARIMA+ برای پیشبینی سریهای زمانی:
پیش بینی سری های زمانی چیست؟
اجزای سری زمانی
ایستایی در سری های زمانی
رگرسیون خودکار (AR) در ARIMA
میانگین متحرک (MA) در ARIMA
گزینه های ARIMA+ - قسمت 1
گزینه های ARIMA+ - قسمت 2
ARIMA+ مثال - مورد استفاده و EDA
ARIMA+ مثال - ایجاد مدل
ARIMA+ مثال - ارزیابی
مثال ARIMA+ - استنتاج توابع
ARIMA+ مثال - مدل قابل توضیح
آموزش های اضافی:
تنظیم Google Cloud SDK
پاداش:
پاداش
BigQuery ML - Machine Learning in Google Cloud with BigQuery
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.