یادگیری ماشینی کاربردی با Bigquery در Google Cloud

در حال حاضر، یادگیری ماشین کاربردی، یکی از مهمترین زمینه های حرفه ای در جهان است و برای مدتی ادامه خواهد داشت. اکثر یادگیری ماشین کاربردی تحت نظارت است. این بدان معنی است که مدل ها در برابر مجموعه داده های موجود ساخته شده اند.
اکثر مدل های یادگیری ماشین های واقعی در ابر یا جعبه های بزرگ در محل ساخته شده اند. در دنیای واقعی، ما مدل ها را بر روی لپ تاپ ها و یا بر روی رایانه های رومیزی ساختیم.
Big Bigquery پلت فرم Google Google یک انبار اطلاعاتی بدون سرور، پتبیت در مقیاس طراحی شده برای ساخت مجموعه داده های ساخت یافته و فعال کردن پرس و جوهای SQL است. دانشمندان داده ها و مهندسان یادگیری ماشین به راحتی می توانند مجموعه داده های بزرگ خود را به Bigquery بدون نیاز به نگرانی در مورد مقیاس یا مدیریت، به طوری که شما می توانید بر وظایفی که واقعا مهم به تولید تجزیه و تحلیل قدرتمند و بینش قدرتمند است، تمرکز کنید.
این دوره، اصول اولیه را پوشش می دهد یادگیری ماشین کاربردی و مقدمه ای بر Bigquery ML. شما همچنین خواهید آموخت که چگونه مدل های یادگیری ماشین خود را در مقیاس با استفاده از BigQuery ایجاد کنید.
در پایان این دوره، شما قادر خواهید بود از مزایای سرویس انبارداری داده های به طور کامل مدیریت شده GCP استفاده کنید.
تمام منابع به این دوره در اینجا قرار می گیرد: https://github.com/packtpublishing/applied-machine-learning-with-bigquery-on-google-s-Cloud

عنوان اصلی : Applied Machine Learning with BigQuery on Google Cloud

سرفصل های دوره :

مقدمه:
معرفی
مقدمه بخش
به جای بالا بردن
Google Scaled Revolution
نسخه ی نمایشی: ایجاد یک حساب کاربری در پلت فرم ابر گوگل
اصول اولیه Bigquery:
مقدمه بخش
Bigquery تعریف شده است
فروشگاه های Bigquery اطلاعات ساخت یافته
اجرای موازی
نسخه ی نمایشی: UI وب
چه بزرگ نیست
Bigquery Technology Stack
نسخه ی نمایشی: مبانی ناوبری
مقدمه ای بر یادگیری ماشین کاربردی:
مقدمه بخش
سه شغل اصلی
یادگیری کاربردی دستگاه
فرآیند یادگیری ماشین
انواع یادگیری ماشین
چرا پایتون پادشاه است
نصب پایتون در ویندوز
نصب پایتون بر روی مک
آرایه
ناوبری نوت بوک Jupyter Basic
کتابخانه های یادگیری ماشین:
مرور بخش بخش
کتابخانه های یادگیری ماشین هسته ای
نسخه ی نمایشی: کتابخانه های یادگیری هسته ماشین
داده های Sourcing
تجزیه و تحلیل داده های اکتشافی
پاکسازی داده ها
نسخه ی نمایشی: مدل سازی
طبقه بندی و رگرسیون:
مقدمه بخش
رگرسیون خطی
نسخه ی نمایشی: رگرسیون خطی
طبقه بندی
نسخه ی نمایشی: طبقه بندی
شبکه عصبی مصنوعی چیست؟
یادگیری ماشین با bigquery:
مقدمه بخش
مجموعه داده ها و جداول
نسخه ی نمایشی: مجموعه داده ها و جداول
نسخه ی نمایشی: DataLab Cloud
نسخه ی نمایشی: مدل سازی مجموعه داده های تایتانیک در Cloud DataLab
نسخه ی نمایشی: مدل سازی داده های IRIS در Cloud DataLab
نسخه ی نمایشی: مقیاس Cloud DataLab
Bigquery ML
DEMO: رگرسيون لجستيک دودویی BIGQUERY ML
نصب Google Cloud SDK
نسخه ی نمایشی: اصول ناوبری Gsutil
نسخه ی نمایشی: بخش بندی مجموعه داده ها