Oreilly – Managing Machine Learning Projects, Video Edition 2023-7

در تاریخ: 1404/01/30 11:36:21

توضیحات

دوره Managing Machine Learning Projects, Video Edition. این دوره یک راهنمای جامع برای هدایت موفقیت‌آمیز پروژه‌های ML از مرحله طراحی تا اجرا است، بدون نیاز به تخصص فنی در یادگیری ماشین. این دوره به شما می‌آموزد چگونه نیازمندی‌های پروژه را تحلیل کنید، زیرساخت‌ها را راه‌اندازی نمایید، منابع تیمی را مدیریت کنید و با ذینفعان همکاری مؤثر داشته باشید. همچنین، روش‌های مدیریت چرخه عمر مدل‌ها، ارزیابی الگوریتم‌ها، انتخاب بهترین مدل‌ها و ادغام آن‌ها با سیستم‌های تولیدی را پوشش می‌دهد. با تأکید بر ملاحظات اخلاقی و رعایت حریم خصوصی داده‌ها، این دوره تضمین می‌کند پروژه‌های شما از خطاهای رایج مانند سوگیری‌های مدل مصون بمانند. از طریق مطالعه موردی عملی و استفاده از ابزارهای اثبات‌شده، یاد می‌گیرید چگونه چالش‌های منحصربه‌فرد پروژه‌های ML را مدیریت کرده و راه‌حل‌هایی کارآمد، به‌موقع و مقرون‌به‌صرفه ارائه دهید. این دوره به شما کمک می‌کند تا از شکست‌های متداول در اجرای پروژه‌های یادگیری ماشین اجتناب کرده و ارزش واقعی را برای کسب‌وکار ایجاد کنید.

آنچه فرا خواهید گرفت:

راه‌اندازی زیرساخت و تخصیص منابع به تیم
وارد کردن منابع داده به یک پروژه
تخمین دقیق زمان و تلاش مورد نیاز
ارزیابی اینکه کدام مدل‌ها برای تحویل انتخاب شوند
ادغام مدل‌ها در اپلیکیشن‌های مؤثر

این دوره مناسب چه کسانی است؟

هر کسی که علاقه‌مند به مدیریت بهتر پروژه‌های Machine Learning است.
نیازی به مهارت‌های فنی نیست.

مشخصات دوره Managing Machine Learning Projects, Video Edition

ناشر: Oreilly
مدرس: Simon Thompson
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 10 ساعت و 18 دقیقه

سرفصل های دوره

Chapter 1. Introduction: Delivering machine learning projects is hard; let’s do it better
Chapter 1. Why is ML important?
Chapter 1. Other machine learning methodologies
Chapter 1. Understanding this book
Chapter 1. Case study: The Bike Shop
Chapter 1. Summary
Chapter 2. Pre-project: From opportunity to requirements
Chapter 2. Project management infrastructure
Chapter 2. Project requirements
Chapter 2. Data
Chapter 2. Security and privacy
Chapter 2. Corporate responsibility, regulation, and ethical considerations
Chapter 2. Development architecture and process
Chapter 2. Summary
Chapter 3. Pre-project: From requirements to proposal
Chapter 3. Create an estimate
Chapter 3. Pre-sales/pre-project administration
Chapter 3. Pre-project/pre-sales checklist
Chapter 3. The Bike Shop pre-sales
Chapter 3. Pre-project postscript
Chapter 3. Summary
Chapter 4. Getting started
Chapter 4. Finalize team design and resourcing
Chapter 4. A way of working
Chapter 4. Infrastructure plan
Chapter 4. The data story
Chapter 4. Privacy, security, and an ethics plan
Chapter 4. Project roadmap
Chapter 4. Sprint 0 checklist
Chapter 4. Bike Shop: project setup
Chapter 4. Summary
Chapter 5. Diving into the problem
Chapter 5. Understanding the data
Chapter 5. Business problem refinement, UX, and application design
Chapter 5. Building data pipelines
Chapter 5. Model repository and model versioning
Chapter 5. Summary
Chapter 6. EDA, ethics, and baseline evaluations
Chapter 6. Ethics checkpoint
Chapter 6. Baseline models and performance
Chapter 6. What if there are problems?
Chapter 6. Pre-modeling checklist
Chapter 6. The Bike Shop: Pre-modelling
Chapter 6. Summary
Chapter 7. Making useful models with ML
Chapter 7. Feature engineering and data augmentation
Chapter 7. Model design
Chapter 7. Making models with ML
Chapter 7. Stinky, dirty, no good, smelly models
Chapter 7. Summary
Chapter 8. Testing and selection
Chapter 8. Testing processes
Chapter 8. Model selection
Chapter 8. Post modelling checklist
Chapter 8. The Bike Shop: sprint 2
Chapter 8. Summary
Chapter 9. Sprint 3: system building and production
Chapter 9. Types of ML implementations
Chapter 9. Nonfunctional review
Chapter 9. Implementing the production system
Chapter 9. Logging, monitoring, management, feedback, and documentation
Chapter 9. Pre-release testing
Chapter 9. Ethics review
Chapter 9. Promotion to production
Chapter 9. You aren’t done yet
Chapter 9. The Bike Shop sprint 3
Chapter 9. Summary
Chapter 10. Post project (sprint Ω)
Chapter 10. Off your hands and into production?
Chapter 10. Team post-project review
Chapter 10. Improving practice
Chapter 10. New technology adoption
Chapter 10. Case study
Chapter 10. Goodbye and good luck
Chapter 10. Summary