آموزش استفاده از امکانات Google Cloud Platform برای پیاده سازی یادگیری ماشینی

در این دوره آموزشی قدم به قدم یاد می گیرید که چطور در Google Cloud Platform الگوریتم های یادگیری ماشینی را پیاده سازی کنید.

عنوان اصلی : Google Cloud Platform for Machine Learning Essential Training

سرفصل ها :

معرفی
با خدمات یادگیری ماشین راه حل های کامل بسازید
آنچه شما باید بدانید
درباره استفاده از خدمات ابری
1. یادگیری ماشینی در Google Cloud Platform
سناریوهای تجاری برای یادگیری ماشین
از کدام الگوریتم باید استفاده کرد؟
سرورهای GCP AI در مقابل پلتفرم‌ها
فعال کردن GCP ML API
آماده سازی داده با Cloud Dataflow و Cloud Dataprep
یک نوت بوک ML در عمل: مشارکتی
یک نوت بوک ML در حال کار: Cloud Datalab را راه اندازی کنید
یک نوت بوک ML در حال عمل: از Cloud Datalab استفاده کنید
2. خدمات API یادگیری ماشین
مروری بر GCP ML API
از طریق Cloud Vision API برای تصاویر پیش بینی کنید
پیش‌بینی از طریق Cloud Video Intelligence API برای ویدیو
پیش بینی از طریق API زبان طبیعی برای NLP
پیش بینی از طریق Text-to-Speech API
پیش بینی از طریق Speech-to-Text API
پیش بینی از طریق Cloud Translation API
پیش بینی از طریق BigQuery ML
3. یادگیری ماشین با AutoML
خدمات Cloud AutoML را درک کنید
AutoML Vision را درک کنید
داده ها و برچسب ها را برای AutoML Vision آماده کنید
مدل قطار برای AutoML Vision
ارزیابی مدل با AutoML Vision
پیش بینی با استفاده از یک مدل آموزش دیده AutoML
4. یادگیری ماشینی پیشرفته
چرا مدل های ML سفارشی بسازیم؟
استفاده از کانتینرها برای میزبانی مدل های ML
از Cloud ML Engine استفاده کنید
خروجی Cloud ML Engine را ارزیابی کنید
مقیاس مدل های ML سفارشی
درک یادگیری عمیق
با TensorBoard کار کنید
با Keras برای TensorFlow کار کنید
GPU و TPU برای TensorFlow
TensorFlow برای جاوا اسکریپت و موبایل
5. معماری های یادگیری ماشین
چت بات با ام ال
جستجوی تصویر با Cloud Vision و Cloud ML
معماری یادگیری ماشین بدون سرور GCP
یادگیری ماشینی GCP با داده های ساخت یافته
سرویس GCP ML برای برنامه های اینترنت اشیا
نتیجه
مراحل بعدی