توسعه یادگیری ماشینی آژور : قسمت 2

یادگیری ماشین به عنوان یک مفهوم بیش از 60 سال است که وجود دارد ، اما هرچه هوش مصنوعی بیشتر و محبوب تر شود ، در زمینه هوش مصنوعی و زیر گروه های آن ، یادگیری ماشین و یادگیری عمیق فرصت بیشتری وجود دارد. و با انفجار محاسبات ابری ، فقط طبیعی است که یادگیری ماشین را با فن آوری های ابری مانند لاجورد مطالعه کنید. در این دوره مقدماتی برای سری یادگیری ماشین لاجورد ، Zarina Meeran شما را با اصول اولیه AI شروع می کند و چگونگی قرار گرفتن زیر گروه های ML و DL را در تصویر می پوشاند. او سپس به مشکلات مختلف یادگیری ماشین و الگوریتم های یادگیری ماشین که برای حل این مشکلات استفاده می شود ، فرو می رود. زارینا همچنین چرخه چرخه یادگیری ماشین را برای به دست آوردن تصویر پایان به پایان و همچنین ابزارهای ارائه شده از Azure پوشش می دهد. سرانجام ، او از معماری MLOP ها در ابر عبور می کند زیرا این در حال حاضر تصویب شده است.

عنوان اصلی : Azure Machine Learning Development: Part 1

سرفصل های دوره :

مقدمه:
اهمیت توسعه یادگیری ماشین لاجورد
1. هوش مصنوعی (AI):
هوش مصنوعی (AI) چیست؟
مزایای هوش مصنوعی
2. یادگیری ماشین (ML):
یادگیری ماشین (ML) چیست؟
انواع مشکل ML
یادگیری نظارت شده
یادگیری بدون نظارت
یادگیری نیمه نظارت
یادگیری تقویت
3. یادگیری ماشین (ML) و یادگیری عمیق (DL):
یادگیری عمیق (DL) چیست؟
ML در مقابل DL
4. الگوریتم های یادگیری ماشین:
خوشه بندی
طبقه بندی
رگرسیون
تشخیص ناهنجاری
5. یادگیری ماشین چرخه و یادگیری ماشین لاجورد:
چرخه عمر ML
ابزارهای Azure ML
6. عملیات یادگیری ماشین (MLOPS):
MLOPS چیست؟
نقش تیم MLOPS
نتیجه گیری:
مراحل بعدی