توضیحات
دوره Data Labeling for Machine Learning . تقریباً 2.5 کوینتیلیون بایت داده هر روز تولید میشود – عمدتاً دادههای خام و بدون برچسب – اما تکنیکهای یادگیری تحت نظارت برای یادگیری ماشینی نیاز به برچسبگذاری دادهها برای استفاده از آن برای آموزش دارند. این باعث میشود برچسبگذاری دادهها، زمانبر و پرهزینه باشد، اما بخشی حیاتی از یادگیری ماشین است. در این دوره، جانانی راوی، معمار ابر و مهندس داده خبره گوگل، شما را راهنمایی می کند که چگونه با برچسب گذاری داده ها شروع کنید. درباره رویکردهای مختلف برچسبگذاری دادهها و همچنین چالشها، بهترین شیوهها و موارد استفاده از آن اطلاعات کسب کنید. با Azure ML به برچسبگذاری دادهها بروید و نحوه راهاندازی یک پروژه برچسبگذاری تصویر و انجام برچسبگذاری دستی تصویر، بررسی و بررسی پیشرفت را بیاموزید. مراحل کامل انجام برچسبگذاری دادههای دستی و به کمک ML در Azure را طی کنید، سپس نحوه استفاده از Snorkel برای برچسبگذاری دادهها، از جمله نحوه ایجاد عملکردها و مدلهای برچسبگذاری متنوع را بررسی کنید. این دوره توسط جانانی راوی ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.
آنچه که در دوره Data Labeling for Machine Learning فرا خواهید گرفت
- فرآیند برچسب گذاری داده ها
- رویکردهای برچسب گذاری داده ها
- چالشهای برچسبگذاری دادهها، بهترین شیوهها و موارد استفاده
- برچسب گذاری داده ها با Azure ML
- راه اندازی یک فضای کاری Azure ML
- راه اندازی پروژه برچسب گذاری تصویر: ایجاد دارایی های داده
- برچسب زدن و بررسی دستی تصویر
- بررسی پیشرفت برچسبگذاری دستی
- پیکربندی استنتاج برای اجراهای آموزشی جدید
- کاوش مجموعه داده برچسبگذاری شده
- بررسی معیارهای آموزشی مدل
- یادگیری ماشین خودکار برای طبقه بندی تصاویر
- برچسب گذاری برنامه ای با اسنورکل
- برچسبگذاری برنامهای با استفاده از رایدهنده برچسب اکثریت
مشخصات دوره Data Labeling for Machine Learning
- ناشر: LinkedIn
- مدرس: Janani Ravi
- سطح آموزش: مبتدی
- مدت زمان آموزش: 1 ساعت و 54 دقیقه
سرفصل های دوره Data Labeling for Machine Learning
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
250 مگابایت














































