در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره آموزشی با مهندسی قابلیت ها یا همان Feature Engineering آشنا شده و یاد می گیرید که چطور آن را در پروژه های Machine Learning استفاده کنید.
عنوان اصلی : Feature Engineering
معرفی
داده های خام به ویژگی ها
ویژگی های خوب در مقابل بد
امتحان: ویژگی ها با هدف مرتبط هستند
امتحان: ویژگی ها در زمان پیش بینی قابل تشخیص هستند
ویژگی ها در زمان پیش بینی قابل تشخیص هستند
ویژگی ها باید عددی باشند
آزمون: ویژگی ها باید عددی باشند
ویژگی ها باید نمونه های کافی داشته باشند
امتحان: ویژگی ها باید به اندازه کافی مثال داشته باشند (قسمت 1)
امتحان: ویژگی ها باید نمونه های کافی داشته باشند (قسمت 2)
آوردن بینش های انسانی
نمایش ویژگی ها
ML در مقابل آمار
[ML on GCP C4] بهبود دقت مدل با ویژگیهای جدید
بهبود دقت مدل با ویژگی های جدید
پیش پردازش و ایجاد ویژگی
Apache Beam / Cloud Dataflow
یک خط لوله جریان داده ساده
[ML on GCP C4] یک خط لوله ساده جریان داده (Python)
راه حل آزمایشگاهی: یک خط لوله ساده جریان داده
خطوط لوله داده در مقیاس
MapReduce در Dataflow
[ML در GCP C4] MapReduce در Dataflow (Python)
راه حل آزمایشگاهی: MapReduce در جریان داده
جمع بندی جریان داده
پیش پردازش با Cloud Dataprep
معرفی آزمایشگاه: محاسبات ویژگی های پنجره زمانی در Cloud Dataprep
[ML در GCP C4] محاسبات ویژگی های پنجره زمانی در Cloud Dataprep
راه حل آزمایشگاهی: محاسبه ویژگی های پنجره زمانی در Cloud Dataprep
معرفی
متقاطع ویژگی چیست؟
گسسته سازی
حفظ در مقابل تعمیم
رنگ های تاکسی
Lab Intro: ویژگی های متقاطع برای ایجاد یک طبقه بندی خوب
راه حل آزمایشگاهی: ویژگی های متقاطع برای ایجاد یک طبقه بندی خوب
پراکندگی + آزمون
معرفی آزمایشگاه: چیز خیلی خوب
راه حل آزمایشگاهی: خیلی چیز خوبی است
پیاده سازی صلیب های ویژگی
تعبیه صلیب های ویژگی
کجا می توان مهندسی ویژگی را انجام داد
ایجاد ویژگی در TensorFlow
ایجاد ویژگی در DataFlow
معرفی آزمایشگاه: بهبود مدل ML با مهندسی ویژگی
[ML on GCP C4] بهبود مدل ML با Feature Engineering
توضیح: ML Fairness
راه حل: بهبود مدل ML با مهندسی ویژگی
معرفی
تبدیل TensorFlow
فاز تجزیه و تحلیل
فاز تبدیل
پشتیبانی از خدمت
کاوش tf.transform
[ML در GCP C4] کاوش tf.transform
کاوش tf.transform
خلاصه
Feature Engineering
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.
آموزش کامل کار با Google Kubernetes Engine
MLOps (Machine Learning Operations) Fundamentals
آموزش طراحی و پروسه های ساخت یک زیرساخت قابل اعتماد کلود
Modernize Infrastructure and Applications with Google Cloud
Building No-Code Apps with AppSheet: Foundations
Getting Started with Google Kubernetes Engine
Introduction to Google Slides
آموزش ساخت Data Pipeline های دسته ای بر روی گوگل کلود
آموزش هنر و علم Machine Learning
آموزش ایمن سازی و ترکیب کامپوننت های برنامه بر روی Google Cloud
✨ تا ۷۰% تخفیف با شارژ کیف پول 🎁
مشاهده پلن ها