لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع یادگیری ماشین با پیادهسازی در جاوا
- آخرین آپدیت
دانلود Machine Learning with Implementation in Java
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
توضیحات دوره
تسلط بر پیادهسازی جامع (End-to-End) یادگیری ماشین با استفاده از زبان جاوا و اکوسیستم قدرتمند آن. این دوره عملی به شما کمک میکند تا مدلهای یادگیری ماشین (ML) را با استفاده از ابزارهایی مانند Tribuo، Weka و DeepLearning4j بسازید و همچنین نحوه مقیاسپذیری و استقرار مدلها را با استفاده از Spark، Mahout، PMML و ONNX بیاموزید. برای شروع به پیشزمینه قبلی در یادگیری ماشین نیازی نیست؛ تنها تسلط بر مفاهیم پایه جاوا و اشتیاق برای ساخت سیستمهای هوشمند واقعی کافی است.
در ماژول اول، نحوه بارگذاری، پاکسازی و پیشپردازش مجموعهدادهها را با استفاده از Weka و Tribuo میآموزید و سپس اولین مدلهای رگرسیون و طبقهبندی خود را از پایه میسازید.
ماژول دوم بر یادگیری عمیق متمرکز است. در این بخش از DeepLearning4j برای توسعه شبکههای عصبی و ساخت یک طبقهبندیکننده تصاویر برای مجموعهداده MNIST استفاده خواهید کرد.
در ماژول نهایی، پردازش زبان طبیعی (NLP) را با OpenNLP بررسی میکنید، خط لولههای یادگیری ماشین را با Spark و Mahout مقیاس میبخشید و نحوه خروجی گرفتن از مدلها را با فرمتهای PMML و ONNX برای استقرار در محیطهای واقعی میآموزید.
در پایان این دوره شما قادر خواهید بود:
- تکنیکهای پیشپردازش دادهها را با ابزارهای جاوا مانند Weka و Tribuo برای وظایف یادگیری ماشین پیاده کنید.
- مدلهای طبقهبندی، رگرسیون و یادگیری عمیق را با استفاده از DL4J، Tribuo و DJL بسازید، آموزش دهید و ارزیابی کنید.
- جریانهای کاری NLP و یادگیری ماشین مقیاسپذیر را با استفاده از Apache OpenNLP، Spark MLlib و Mahout پیادهسازی کنید.
- خط لولههای NLP بسازید، آنها را برای دادههای حجیم (Big Data) مقیاس دهید و با استفاده از PMML/ONNX مستقر کنید.
مخاطبان هدف:
این دوره برای افراد زیر ایدهآل است:
- توسعهدهندگان جاوا که قصد دارند راهکارهای عملی یادگیری ماشین و یادگیری عمیق بسازند.
- مهندسان بکاند که به دنبال ادغام ML مقیاسپذیر در سیستمهای مبتنی بر جاوا هستند.
- مهندسان داده که میخواهند استقرار مدل و تعاملپذیری مدلها را با جاوا بررسی کنند.
- علاقهمندان به یادگیری ماشین که ترجیح میدهند به جای مهاجرت به پایتون، در اکوسیستم جاوا فعالیت کنند.
سلب مسئولیت: این دوره یک منبع آموزشی مستقل است که توسط Board Infinity توسعه یافته و هیچ ارتباط رسمی، تاییدیه یا حمایت مالی از سوی شرکت Oracle یا شرکتهای تابعه آن ندارد. این دوره جزو مطالب رسمی آمادهسازی شرکت Oracle نیست. تمامی علائم تجاری و نامهای شرکتهای ذکر شده متعلق به مالکان مربوطه است و صرفاً برای شناسایی استفاده شده است.
سرفصل ها و درس ها
مدیریت دادهها و پیشپردازش با جاوا
Data Handling & Preprocessing with Java
ویدیو خوشآمدگویی به دوره!
Course Welcome Video!
مبانی پیشپردازش دادهها
Data Pre-processing Basics
مباحث تکمیلی پیشپردازش دادهها
Data Pre-processing Basic extended
ساخت مدلهای طبقهبندی و رگرسیون
Building Classifying & Regression- Classifier
ادامه ساخت مدلهای طبقهبندی و رگرسیون
Building Classifying & Regressor- Classifier Continued
طبقهبندی دادههای IRIS
IRIS data classification
آشنایی با کتابخانه Tribuo
Introduction to Tribuo Library
آموزش مدلهای طبقهبندی و رگرسیون با Tribuo
Training Classifying & Regressor with Tribuo
یادگیری عمیق در جاوا
Deep Learning in Java
مبانی یادگیری عمیق
Foundations of Deep Learning
شبکههای عصبی و ساخت آنها با DL4J
Neural Networks and Building Them with DL4J
بررسی پشتیبانی DL4J از معماریهای عصبی
Exploring DL4J’s Support for Neural Architectures
تحلیل دقیق معماریهای رایج
Detailed Breakdown of Common Architectures
ساخت یک شبکه پیشخور (Feedforward) ساده
Creating a Simple Feedforward Network
حل مسئله تشخیص اعداد MNIST با DL4J
Solving MNIST Digit Recognition with DL4J
پیکربندی، آموزش و ارزیابی شبکههای عصبی
Configuring, Training, and Evaluating Neural Networks
آشنایی با APIهای جاوا در TensorFlow و ابزارهای AWS DL
Introduction to TensorFlow Java APIs and AWS DL Tools
استفاده از DJL (کتابخانه عمیق جاوا) برای مدلهای ML
Using DJL (Deep Java Library) for ML Models
مثال کاربردی پایه با استفاده از کامپایلر آنلاین
Basic Use case using Online Compiler
کتابخانهها و تکنیکهای تخصصی
Specialized Libraries & Techniques
مقدمهای بر پردازش زبان طبیعی (NLP)
Introduction to Natural Language Processing
استفاده از Apache OpenNLP برای توکنبندی، طبقهبندی و NER
Using Apache OpenNLP for Tokenization, Classification, and NER
آموزش یک طبقهبندیکننده متن – نمایش کوتاه
Training a Text Classifier – Short Demonstration
کاربردهای عملی NLP
Practical Applications of NLP
یادگیری ماشین مقیاسپذیر با Spark MLlib در جاوا
Scalable Machine Learning with Spark MLlib in Java
خوشهبندی توزیع شده با Apache Mahout
Distributed Clustering with Apache Mahout
ساخت سیستمهای توصیهگر با Mahout
Building Recommendation Systems with Mahout
تکنیکهای بارگذاری، ذخیرهسازی و سریالسازی مدل در جاوا
Techniques for Model Loading, Saving & Serialization in Java
استفاده از PMML و ONNX برای خروجی استاندارد مدل
Using PMML & ONNCX for Standardized Model Export
استفاده از PMML و ONNX برای خروجی استاندارد مدل
Using PMML & ONNX for Standardized Model Export
نمایش نظرات