درباره دوره: امروزه، هوش مصنوعی و یادگیری ماشین به طور فزاینده‌ای در صنایع مختلف کاربرد دارند. اما برای اینکه مدل‌های یادگیری ماشین در دنیای واقعی مفید و موثر باشند، باید به طور مداوم با داده‌های جدید به‌روزرسانی و بهبود پیدا کنند. اینجاست که دوره آموزشی “موزش چرخه عمر داده ماشین لرنینگ در پروداکشن” به کمک شما می‌آید. در این دوره، شما با مفاهیم کلیدی و مراحل مختلف چرخه حیات داده یادگیری ماشین در پروداکشن آشنا خواهید شد. این مراحل شامل: این دوره برای طیف وسیعی از افراد از جمله دیتاساینتیست‌ها، مهندسان یادگیری ماشین، تحلیلگران داده و توسعه‌دهندگان نرم‌افزار که به دنبال یادگیری نحوه مدیریت چرخه حیات داده یادگیری ماشین در پروداکشن هستند، مناسب است. هوش مصنوعی (Artificial Intelligence که به اختصار AI نیز خوانده می‌شود)، فناوری بسیار کاربردی و بااهمیت دنیای امروز به‌شمار می‌آید. یکی از بخش‌های هوش مصنوعی، الگوریتم‌های یادگیری ماشین یا ML است که به ایجاد اطلاعات تازه از روی داده‌های مختلف، می‌انجامد. آموزش چرخه عمر داده ماشین لرنینگ یکی از مباحث مهم در این فناوری است. در آموزش چرخه عمر داده یادگیری ماشین، روی به‌روز بودن داده‌های آن برای عملکرد مفید و مؤثرتر ماشین‌های هوشمند، تمرکز خواهد شد. دوره یادگیری ماشین، به‌شما کمک می‌کند تا روش کارکرد سیستم‌های هوش مصنوعی را بهتر درک کنید. فهمیدن این‌که چطور یک ماشین هوش مصنوعی، می‌تواند از داده‌های ورودی خود، اطلاعات تازه‌ای را تشخیص دهد، مستلزم آن است تا مفاهیم مربوط به آموزش یادگیری ماشین را دنبال کرده باشید. در ماشین‌های هوش مصنوعی، الگوریتم‌هایی قرار داده می‌شوند که امکان کشف و شناخت الگوها را از روی داده‌های ورودی، ایجاد می‌کنند. در نتیجه، ماشین می‌تواند با کمک این الگوها، اطلاعات جدیدی ساخته و برمبنای آن، تصمیمات دقیق‌تری بگیرد. در طی زمان، این الگوریتم‌ها کارایی بهتری از خود نشان می‌دهند. یعنی هرچقدر که داده‌های بیش‌تری به ماشین هوشمند ارائه شود، فرآیند یادگیری آن بهبود پیدا می‌کند. این روزها، هوش مصنوعی در تمام صنایع و سازمان‌ها حضور پیدا کرده است. بنابراین اهمیت الگوریتم‌های یادگیری ماشین نیز (به‌عنوان بخش جدانشدنی از آن) در تمام بخش‌ها لمس خواهد شد. با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان داده‌های مختلف یک سازمان و مجموعه را تحت تحلیل و ارزیابی قرار داد. این کار کمک می‌کند تا الگوها و روابط میان داده‌ها را به‌دست آورده و برمبنای آن، تصمیمات بهتری در روند ساخت محصول، ارتباط با مشتریان و غیره اتخاذ کنیم. باید ذکر کرد که انجام این فرآیند، بدون دخالت هوش مصنوعی و تکیه بر توانمندی‌های انسان، مقدور نیست. چراکه حل مسائل مختلف با داده‌های پیچیده و حجیم با سرعتی که ماشین‌های هوشمند از پسِ آن برمی‌آیند، تقریباً غیرممکن به‌نظر می‌رسد. برای این‌که این سیستم‌های هوشمند را با بیش‌ترین میزان بهره‌وری، ایجاد و برنامه‌ریزی کنیم؛ به آموزش چرخه عمر داده نیاز خواهیم داشت. چرخه عمر داده، فرآیندی است که نشان می‌دهد داده‌ها در یادگیری ماشین از چه مسیر و مراحلی عبور می‌کنند. این موضوع نشان می‌دهد که هوش مصنوعی، یادگیری ماشین و آموزش‌های مربوط به آن، نقش مهمی در زندگی انسان دارند. تمام علاقه‌مندان به حوزه‌ی هوش مصنوعی و یادگیری ماشین، می‌توانند از مباحث این دوره‌ی آموزشی، استفاده کنند. مهندسان یادگیری ماشین، تحلیلگران داده، برنامه‌نویسان و توسعه‌دهندگان نرم‌افزارها، دیتاساینتیست‌ها و افرادی که با نحوه‌ی مدیریت چرخه حیات داده یادگیری ماشین سروکار دارند، از عمده مخاطبین این دوره‌ی آموزشی محسوب می‌شوند. اگر به مباحث هوش مصنوعی و یادگیری ماشین علاقه‌مند هستید، می‌بایست با منابع مختلف برای آموزش این مباحث آشنایی داشته باشید. دوره‌های مختلفی برای آموزش رایگان یادگیری ماشین و آموزش رایگان یادگیری ماشین با پایتون وجود دارد که به صورت مقاله یا ویدیوهای آموزشی در دسترس کاربران قرار می‌گیرد. این منابع، به‌صرفه‌ترین چیزی است که می‌توانید تهیه و استفاده کنید. شما هم‌چنین می‌توانید از دوره‌های آموزش ماشین لرنینگ با پایتون، آموزش یادگیری ماشین با پایتون و یا آموزش چرخه عمر داده یادگیری ماشین در مکتب خونه استفاده کنید. این آموزش‌ها با بیانی ساده و شفاف، از صفر تا صد هوش مصنوعی و الگوریتم‌های یادگیری ماشین را به شما نشان می‌دهند. در دوره‌ی آموزشی چرخه‌ی عمر داده machine learning، شما با مفاهیم کلیدی و اساسی چرخه حیات داده یادگیری ماشین در پروداکشن آشنا خواهید شد. این چرخه‌ی حیات شامل مراحل زیر است: •      جمع‌آوری داده‌ها از منابع مختلف و پاکسازی آن •      مهندسی ویژگی برای تبدیل داده‌های خام به ویژگی‌های قابل استفاده برای مدل‌های یادگیری ماشین •      ایجاد الگوریتم مناسب یادگیری ماشین و آموزش مدل و ارزیابی عملکرد •      استقرار مدل در یک محیط پروداکشن •      نظارت بر عملکرد در طی زمان و انجام ‌به‌روزرسانی‌های مداوم در این دوره‌ی آموزشی، شما با مراحل مذکور آشنا شده و مهارت‌های عملی لازم برای مدیریت چرخه حیات داده یادگیری ماشین در پروداکشن را کسب می‌کنید. بنابراین مهارت‌هایی که در پایان در این دوره به‌دست می‌آورید، شما را برای ورود به بازار کار حرفه‌ای آماده خواهد کرد. این دوره‌ی آموزشی از صفر تا صد موضوعات مطرح شده را ارائه می‌دهند. بنابراین برای استفاده از آموزش‌ها، هیچ‌گونه پیش نیازی مد نظر نبوده و برای عموم کاربران با هر سطح آگاهی و تحصیلات، کاربرد دارد. آن‌چه که در این دوره‌ی آموزشی، مطرح می‌شود؛ در سرفصل‌های زیر قابل بحث خواهد بود. •      جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها معرفی کوتاه سیستم‌های یادگیری ماشین در این سرفصل ارائه می‌شود. هم‌چنین شما شیوه‌ی کار با کتابخانه‌ی TFX را می‌آموزید. این کتابخانه برای اعتبارسنجی و آماده‌سازی داده‌ها کاربرد دارد. •      مهندسی ویژگی، تبدیل و انتخاب در این سرفصل، با مهندسی ویژگی، tensorFlow extended، تبدیل و انتخاب ویژگی با رمزگذاری انواع داده‌ی ساختار یافته و غیر ساختاریافته و رسیدگی به عدم تعادل کلا‌س‌ها آشنا می‌شوید. •      سفر داده و ذخیره‌سازی داده‌ها در این مبحث، چرخه‌ی حیات داده را درک خواهید کرد. هم‌چنین در این سرفصل آموزشی مهارت استفاده از متادیتای ماشین و اسکماهای سازمانی برای رسیدگی به داده‌های در حال تکامل سریع ارائه خواهد شد. •      برچسب گذاری پیشرفته، تقویت و پیش پردازش داده‌ها در این مبحث، یاد می‌گیرید که چطور دقت یادگیری ماشین را ارتقا دهید. شما می‌بایست داده‌های برچسب گذاری شده یا نشده را با هم ترکیب و مجموعه‌ی داده‌ای متنوع‌تری بسازید. اگر به دنبال بهترین دوره یادگیری ماشین هستید، می‌توانید دوره‌های آموزشی مکتب خونه را انتخاب کنید. در مکتب خونه، آموزش‌های کاملی به‌صورت کوتاه و مفید، برای یادگیری صفر تا صد چرخه داده ماشین لرنینگ و دیگر مباحث هوش مصنوعی قرار داده شده است. کیفیت بالای آموزش، مدرسان قوی و به‌روزرسانی مداوم مباحث آموزشی، از ویژگی‌های خاصی هستند که دوره‌های مکتب خونه را از دیگر منابع متمایز می‌کنند. آموزش چرخه عمر داده ماشین لرنینگ، به معرفی سیستم‌های یادگیری ماشین می‌پردازد. با توجه به این‌که هوش مصنوعی براساس الگوریتم‌های یادگیری ماشین کار می‌کند، آموزش چرخه عمر داده یادگیری ماشین به درک بهتر کارکرد AI کمک‌کننده است. در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش AI و همچنین آموزش ماشین لرنینگ به عنوان مکمل و پیش نیاز این دوره موجود است. جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها: 1 – بررسی اجمالی 2 – خطوط لوله یادگیری ماشین (ML Pipelines) 3 – اهمیت داده 4 – مثال کاربردی: پیشنهاد اجراها (Runs) 5 – داده مسئولانه: امنیت، حریم خصوصی و انصاف 6 – مطالعه موردی: کاهش عملکرد مدل 7 – تغییر داده و مفهوم در یادگیری ماشین تولیدی 8 – بازخورد فرآیند و برچسب‌گذاری انسانی 9 – تشخیص مسائل داده 10 – اعتبارسنجی داده در TensorFlow مهندسی ویژگی، تبدیل و انتخاب: 1 – مقدمه‌ای بر پیش‌پردازش 2 – عملیات پیش‌پردازش 3 – تکنیک‌های مهندسی ویژگی 4 – تلاقی ویژگی‌ها (Feature Crosses) 5 – پیش‌پردازش داده در مقیاس 6 – TensorFlow Transform 7 – سلام دنیا با tf.Transform 8 – فضاهای ویژگی (Feature Spaces) 9 – انتخاب ویژگی 10 – روش‌های فیلتر (Filter Methods) 11 – روش‌های پوششی (Wrapper Methods) 12 – روش‌های جاسازی‌شده (Embedded Methods) سفر داده و ذخیره‌سازی داده‌ها: 1 – سفر داده 2 – مقدمه‌ای بر فرا داده یادگیری ماشین (ML Metadata) 3 – فرا داده یادگیری ماشین در عمل 4 – توسعه‌ی اسکما 5 – محیط‌های اسکما 6 – ذخیره‌گاه‌های ویژگی (Feature Stores) 7 – انبار داده 8 – دریاچه‌های داده (اختیاری): برچسب‌گذاری پیشرفته، تقویت و پیش‌پردازش داده‌ها: 1 – یادگیری نیمه-نظارت‌شده (Semi-supervised Learning) 2 – یادگیری فعال (Active Learning) 3 – نظارت ضعیف (Weak Supervision) 4 – تکثیر داده (Data Augmentation) 5 – سری‌های زمانی (Time Series) 6 – حسگرها و سیگنال‌ها