اکسپرس 24
کتاب Advanced Azure machine learning

کتاب Advanced Azure machine learning

تگ‌ها: Azure ML MLOps در آژور اتوماسیون یادگیری ماشین آژور ایژور یادگیری ماشین پیشرفته آژور یادگیری ماشین توسعه یادگیری ماشین با آژور مدل های یادگیری ماشین آژور هوش مصنوعی در آژور یادگیری عمیق آژور یادگیری ماشین در آژور

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Advanced Azure machine learning

موضوع کلی: برنامه نویسی

موضوع میانی: Microsoft Azure

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین در Azure
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت شده
  • 5. یادگیری نظارت نشده
  • 6. یادگیری تقویتی
  • 7. مجموعه داده‌ها در Azure ML
  • 8. آماده‌سازی داده‌ها
  • 9. پاکسازی داده‌ها
  • 10. مهندسی ویژگی
  • 11. انتخاب ویژگی
  • 12. تکنیک‌های کاهش ابعاد
  • 13. PCA (تحلیل مولفه‌های اصلی)
  • 14. t-SNE
  • 15. مدل‌های رگرسیون خطی
  • 16. مدل‌های رگرسیون لجستیک
  • 17. ماشین‌های بردار پشتیبان (SVM)
  • 18. درختان تصمیم
  • 19. جنگل‌های تصادفی
  • 20. مدل‌های تقویت گرادیان
  • 21. XGBoost
  • 22. LightGBM
  • 23. مدل‌های خوشه‌بندی
  • 24. K-Means
  • 25. DBSCAN
  • 26. خوشه‌بندی سلسله مراتبی
  • 27. شبکه‌های عصبی مصنوعی
  • 28. شبکه‌های عصبی کانولوشنال (CNN)
  • 29. شبکه‌های عصبی بازگشتی (RNN)
  • 30. شبکه‌های حافظه طولانی کوتاه (LSTM)
  • 31. مقدمه‌ای بر Azure Machine Learning Studio
  • 32. محیط کاری Azure ML
  • 33. کار با مسائلی در Azure ML
  • 34. مدیریت داده‌ها در Azure ML
  • 35. کار با Datastores
  • 36. کار با Datasets
  • 37. ایجاد آزمایش‌ها در Azure ML
  • 38. اجرای اسکریپت‌های پایتون
  • 39. استفاده از Designer در Azure ML
  • 40. بلوک‌های پیش‌ساخته در Designer
  • 41. طراحی پایپ‌لاین‌های یادگیری ماشین
  • 42. مدیریت مدل‌ها در Azure ML
  • 43. ثبت مدل‌ها
  • 44. نسخه‌بندی مدل‌ها
  • 45. استقرار مدل‌ها
  • 46. استقرار به عنوان وب سرویس
  • 47. استقرار به عنوان نقطه پایانی دسته‌ای
  • 48. نظارت بر مدل‌های مستقر شده
  • 49. تنظیم هایپرپارامترها
  • 50. جستجوی شبکه‌ای
  • 51. جستجوی تصادفی
  • 52. بهینه‌سازی بیزی
  • 53. ارزیابی مدل
  • 54. معیارهای ارزیابی رگرسیون
  • 55. معیارهای ارزیابی طبقه‌بندی
  • 56. ماتریس درهم‌ریختگی
  • 57. منحنی ROC و AUC
  • 58. پیاده‌سازی یادگیری عمیق در Azure ML
  • 59. استفاده از TensorFlow
  • 60. استفاده از PyTorch
  • 61. استفاده از Keras
  • 62. یادگیری انتقالی (Transfer Learning)
  • 63. تنظیم دقیق مدل‌های پیش‌آموزش دیده
  • 64. پایپ‌لاین‌های یادگیری عمیق
  • 65. مدیریت منابع محاسباتی در Azure ML
  • 66. کار با Compute Clusters
  • 67. کار با Compute Instances
  • 68. کار با Kubernetes Clusters
  • 69. مدیریت هویت و دسترسی (IAM)
  • 70. امنیت در Azure ML
  • 71. کار با MLOps
  • 72. اتوماسیون پایپ‌لاین‌ها
  • 73. CI/CD برای مدل‌های یادگیری ماشین
  • 74. نظارت و ثبت وقایع
  • 75. مدیریت چرخه عمر مدل
  • 76. مدل‌های توضیحی (Explainable AI)
  • 77. تکنیک‌های XAI
  • 78. تفسیرپذیری مدل
  • 79. کار با Responsible AI
  • 80. ملاحظات اخلاقی در هوش مصنوعی
  • 81. شناسایی و کاهش سوگیری
  • 82. حریم خصوصی داده‌ها
  • 83. امنیت مدل‌ها
  • 84. یادگیری فدرال در Azure (اختیاری)
  • 85. کار با Azure Databricks
  • 86. مقدمه‌ای بر Azure Synapse Analytics
  • 87. یکپارچه‌سازی با Azure Data Factory
  • 88. پیش‌بینی سری‌های زمانی
  • 89. مدل‌های پیش‌بینی سری‌های زمانی
  • 90. ارزیابی مدل‌های سری زمانی
  • 91. یادگیری تقویتی پیشرفته
  • 92. کار با محیط‌های شبیه‌سازی شده
  • 93. بهینه‌سازی منابع در Azure ML
  • 94. استفاده از Azure Cost Management
  • 95. بهینه‌سازی هزینه‌های محاسباتی
  • 96. مدیریت فضای ذخیره‌سازی
  • 97. بهینه‌سازی مصرف داده
  • 98. مقدمه‌ای بر پردازش زبان طبیعی (NLP) در Azure
  • 99. کار با Azure Cognitive Services for Language
  • 100. تشخیص احساسات

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.