Post #19
136
Audio
@navidcasts
این ویدئو به بررسی قابلیتهای یادگیری ماشینی خودکار (AutoML) در Azure Machine Learning میپردازد و نشان میدهد که چگونه میتوان پروژههای یادگیری ماشین را با مهارت کمتری آغاز کرد و مدلهای پایه با کیفیت مناسبی را به سرعت تولید کرد. گوینده توضیح میدهد که AutoML برای تعیین احتمال پرداخت جریمه پارکینگ از مجموعه دادههای بلیتهای پارکینگ شیکاگو استفاده میکند. او گام به گام فرایند راهاندازی یک کار AutoML، از انتخاب مجموعه داده و نوع مشکل تا پیکربندی تنظیمات پیشرفته مانند معیار اولیه، مدلهای مسدود شده و معیارهای خروج، به تفصیل شرح میدهد. در نهایت، ویدئو به مزایای این ابزار، از جمله توانایی آن در کاهش سطح مهارت مورد نیاز برای راهاندازی یک پروژه و ارائه یک خط مبنای کیفیت مدل، اشاره میکند.
این ویدئو به بررسی قابلیتهای یادگیری ماشینی خودکار (AutoML) در Azure Machine Learning میپردازد و نشان میدهد که چگونه میتوان پروژههای یادگیری ماشین را با مهارت کمتری آغاز کرد و مدلهای پایه با کیفیت مناسبی را به سرعت تولید کرد. گوینده توضیح میدهد که AutoML برای تعیین احتمال پرداخت جریمه پارکینگ از مجموعه دادههای بلیتهای پارکینگ شیکاگو استفاده میکند. او گام به گام فرایند راهاندازی یک کار AutoML، از انتخاب مجموعه داده و نوع مشکل تا پیکربندی تنظیمات پیشرفته مانند معیار اولیه، مدلهای مسدود شده و معیارهای خروج، به تفصیل شرح میدهد. در نهایت، ویدئو به مزایای این ابزار، از جمله توانایی آن در کاهش سطح مهارت مورد نیاز برای راهاندازی یک پروژه و ارائه یک خط مبنای کیفیت مدل، اشاره میکند.