تهیه داده ها ، مهندسی ویژگی ها و تقویت برای مدل های AI

مدرس Dan Sullivan

انتشار 2025/06/10

مدت زمان 1h 48m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Data Preparation, Feature Engineering, and Augmentation for AI Models

در این دوره پیشرفته ، Dan Sullivan - یک معمار ابر ، نویسنده و Google Cloud Expert - به تکنیک های مهندسی داده برای ساخت سیستم های AI می پردازد. در مورد تهیه داده ها ، از جمله ، ارزیابی کیفیت داده ها ، تولید بازنمودهای بردار ، رمزگذاری و سایر فرآیندهای مورد نیاز برای پشتیبانی از برنامه های هوش مصنوعی تولید کنید. روش های استفاده از هستی شناسی ، طبقه بندی ، نمودارهای دانش و سایر تکنیک های تقویت را برای تقویت دانش و قابلیت های استدلال در برنامه های هوش مصنوعی کشف کنید. با تأکید بر چارچوبهای اعتبار سنجی خودکار و مدیریت ابرداده ، عمیق به نظارت بر کیفیت شیرجه می زنید. به علاوه ، نحوه شناسایی منابع داده ، استفاده از بررسی کیفیت داده ها را پیدا کنید و کیفیت مدل های سیستم های AI تولید را ارزیابی کنید.

Artificial Intelligence (AI) آماده سازی داده ها مهندسی ویژگی Retrieval-Augmented Generation (RAG)

Introduction

Welcome to this course ()

What you should know ()

1. Data Preparation for Predictive AI

Data exploration and initial quality assessment ()

Detecting and managing missing data ()

Detecting and managing outliers ()

Challenge: Assess data quality of a dataset ()

Solution: Assess data quality of a dataset ()

Feature engineering: Scaling and normalizing data ()

Feature engineering: Categorical encodings ()

Challenge: Apply feature engineering to a dataset ()

Solution: Apply feature engineering to a dataset ()

2. Data Preparation for Generative AI

Structured vs. unstructured data ()

Vector representations of unstructured data ()

Tools for generating vector representations ()

Similarity between vector representations ()

Challenge: Choosing vector generation tool ()

Solution: Choosing vector generation tool ()

3. Data Quality Assessment

Elements of data quality: Consistency, accuracy, and completeness ()

Statistical techniques for data quality assessment ()

Challenge: Data quality ()

Solution: Data quality ()

4. Data Augmentation for Generative AI

Overview of data augmentation ()

Text perturbation and style transfer ()

Retrieval-augmented generation (RAG) ()

Introduction to LangChain for RAG ()

Challenge: Understanding components of RAG ()

Solution: Understanding components of RAG ()

5. Knowledge Augmentation for Generative AI

Overview of knowledge augmentation ()

Fine-tuning and knowledge distillation tools and techniques ()

Ontologies, taxonomies, and knowledge graph tools and techniques ()

Challenge: Knowledge augmentation ()

Solution: Knowledge augmentation ()

6. Development Practices for AI Applications

Determining what data sources to use ()

Applying data quality checks ()

Building models ()

Model assessment ()

Challenge: Development practices ()

Solution: Development practices ()

Conclusion

Next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.