Zaur Mammadov
Member since 2024
Encoder-Decoder Architecture - בעברית
Earned ספט 18, 2024 EDT
Attention Mechanism - בעברית
Earned ספט 15, 2024 EDT
Introduction to Image Generation - בעברית
Earned ספט 13, 2024 EDT
Natural Language Processing on Google Cloud
Earned ספט 12, 2024 EDT
Introduction to Generative AI - בעברית
Earned ספט 11, 2024 EDT
Computer Vision Fundamentals with Google Cloud
Earned ספט 1, 2024 EDT
[Depricated] Build, Train and Deploy ML Models with Keras on Google Cloud
Earned אוג 28, 2024 EDT
[DEPRECATED] Feature Engineering
Earned אוג 22, 2024 EDT
Launching into Machine Learning
Earned אוג 21, 2024 EDT
Introduction to AI and Machine Learning on Google Cloud
Earned אוג 10, 2024 EDT
בקורס הזה לומדים בקצרה על ארכיטקטורת מקודד-מפענח, ארכיטקטורה עוצמתית ונפוצה ללמידת מכונה שמשתמשים בה במשימות של רצף לרצף, כמו תרגום אוטומטי, סיכום טקסט ומענה לשאלות. תלמדו על החלקים השונים בארכיטקטורת מקודד-מפענח, איך לאמן את המודלים האלה ואיך להשתמש בהם. בהדרכה המפורטת המשלימה בשיעור ה-Lab תקודדו ב-TensorFlow תרחיש שימוש פשוט בארכיטקטורת מקודד-מפענח: כתיבת שיר מאפס.
Learn more
בקורס נלמד על מנגנון תשומת הלב, שיטה טובה מאוד שמאפשרת לרשתות נוירונים להתמקד בחלקים ספציפיים ברצף הקלט. נלמד איך עובד העיקרון של תשומת הלב, ואיך אפשר להשתמש בו כדי לשפר את הביצועים במגוון משימות של למידת מכונה, כולל תרגום אוטומטי, סיכום טקסט ומענה לשאלות.
Learn more
בקורס נלמד על מודלים של דיפוזיה, משפחת מודלים של למידת מכונה שיצרו הרבה ציפיות לאחרונה בתחום של יצירת תמונות. מודלים של דיפוזיה שואבים השראה מפיזיקה, וספציפית מתרמודינמיקה. בשנים האחרונות, מודלים של דיפוזיה הפכו לפופולריים גם בתחום המחקר וגם בתעשייה. מודלים של דיפוזיה עומדים מאחורי הרבה מהכלים והמודלים החדשניים ליצירת תמונות ב-Google Cloud. בקורס הזה נלמד על התיאוריה שמאחורי מודלים של דיפוזיה, ואיך לאמן ולפרוס אותם ב-Vertex AI.
Learn more
This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.
Learn more
זהו קורס מבוא ממוקד שמטרתו להסביר מהי בינה מלאכותית גנרטיבית, איך משתמשים בה ובמה היא שונה משיטות מסורתיות של למידת מכונה. הוא גם כולל הסבר על הכלים של Google שיעזרו לכם לפתח אפליקציות בינה מלאכותית גנרטיבית משלכם.
Learn more
This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models.
The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data.
The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models.
Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.
Learn more
This course covers building ML models with TensorFlow and Keras, improving the accuracy of ML models and writing ML models for scaled use.
Learn more
This course explores the benefits of using Vertex AI Feature Store, how to improve the accuracy of ML models, and how to find which data columns make the most useful features. This course also includes content and labs on feature engineering using BigQuery ML, Keras, and TensorFlow.
Learn more
The course begins with a discussion about data: how to improve data quality and perform exploratory data analysis. We describe Vertex AI AutoML and how to build, train, and deploy an ML model without writing a single line of code. You will understand the benefits of Big Query ML. We then discuss how to optimize a machine learning (ML) model and how generalization and sampling can help assess the quality of ML models for custom training.
Learn more
This course introduces Google Cloud's AI and machine learning (ML) capabilities, with a focus on developing both generative and predictive AI projects. It explores the various technologies, products, and tools available throughout the data-to-AI lifecycle, empowering data scientists, AI developers, and ML engineers to enhance their expertise through interactive exercises.
Learn more
