آموزش مدلینک دیتا ساینس DP-100

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با Data Science یاد می گیرید.

عنوان اصلی : DP-100 Part 2 - Modeling

سرفصل ها :

1. معرفی:
1 - معرفی دوره
2 - درباره Training Architect
3 - استفاده از راهنمای DP-100 Essentials
4 - درباره امتحان
5 - یادداشتی در علم داده و ریاضیات
2. Azure.Machine.Learning.Pipelines:
1 - تازه‌سازی در خط لوله‌های یادگیری ماشینی Azure
2 - ماژول های طراح برای تعریف جریان داده های خط لوله
3 - استفاده از ماژول های کد سفارشی در دیزاینر
4 - ملزومات و مراجع آزمون
3-ماشین.الگوریتم یادگیری:
1 - مقدمه ای بر اصطلاحات
2 - نحوه انتخاب الگوریتم ها در یادگیری ماشینی Azure
3 - تجزیه و تحلیل متن
4 - پسرفت
5 - طبقه بندی چند طبقه
6 - طبقه بندی تصاویر
7 - تشخیص ناهنجاری
8 - خوشه بندی
9 - توصیه کنندگان
10 - ملزومات و مراجع امتحان
4. ویژگی. انتخاب:
1 - مقدمه ای بر انتخاب ویژگی
2 - مقدمه ای برای استخراج ویژگی
3 - همبستگی پیرسون
4 - امتیاز اطلاعات متقابل
5 - ضریب همبستگی کندال
6 - ضریب همبستگی اسپیرمن
7 - آمار مربع کای
8 - امتیاز فیشر
9 - انتخاب ویژگی مبتنی بر شمارش
10 - ملزومات و مراجع امتحان
5-کلاسیک.ماشین.آموزش.مدل:
1 - مقدمه ای بر شبکه های عصبی
2 - RNN
3 - DNN
4 - CNN
5 - SMOTE
6 - ملزومات و مراجع آزمون
6. Run.Training.Scripts.in.an.Azure.Machine.Learning.Workspace:
1 - Azure Machine Learning SDK مقدمه
2 - یک آزمایش با SDK ایجاد کنید
3 - داده ها را از یک Datastore با SDK مصرف کنید
4 - داده ها را از یک مجموعه داده با SDK مصرف کنید
5 - انتخاب یک برآوردگر در یادگیری ماشینی Azure
6 - ملزومات و مراجع آزمون
7. Generate.Metrics.from.an.Experiment.Run:
1 - ثبت معیارها از یک آزمایش
2 - بازیابی و مشاهده خروجی های آزمایش
3 - استفاده از Logs برای عیب یابی خطاهای اجرای آزمایش
4 - ملزومات و مراجع آزمون
8-نتیجه گیری:
1 - بررسی و نکات پایانی
2 - بعد چی