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

آموزش جامع یادگیری ماشین با پیاده‌سازی در جاوا
جزییات دوره
11h 5m
28
(آخرین آپدیت)
178
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Board Infinity Board Infinity

Board Infinity: توانمندسازی مشاغل با مسیرهای یادگیری