آموزش کاوش در محیطهای یادگیری ماشین جاوا

Exploring Java Machine Learning Environments

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: تعداد بیشتری از ابزارها برای یادگیری ماشین در جاوا وجود دارد. این دوره به شما می آموزد که چگونه ابزار مناسب برای کار یادگیری ماشین خود را انتخاب کنید ، همچنین نحوه شروع کار با این ابزار و نحوه استفاده از آن را انتخاب کنید. انتخاب ابزار مناسب برای یک مشکل یادگیری ماشین در میان گزینه های بی شمار آسان نیست. در این دوره ، در کاوش محیط یادگیری ماشین ماشینی جاوا ، ارزیابی ، شناسایی و استفاده از ابزار مناسب برای کار را یاد خواهید گرفت. ابتدا چندین ویژگی از ابزارهای موجود برای یادگیری ماشین در جاوا را کشف خواهید کرد. در مرحله بعدی ، بسته به چندین سناریو ، جوانب مثبت و منفی هر ابزار را کشف خواهید کرد. در آخر ، شما یاد خواهید گرفت که چگونه با استفاده از هر یک از ابزارها ، مصرف داده ، آموزش یک مدل ، ارزیابی و تجسم عملکرد در محیط های مختلف و در مقیاس های مختلف ، کار را شروع کنید. وقتی این دوره را به پایان رسانید ، مهارت و دانش محیط یادگیری ماشین Java را که برای اجرای م .ثر خطوط لوله در صنعت لازم است ، خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک اکوسیستم یادگیری ماشین جاوا Understanding the Java Machine Learning Ecosystem

  • معرفی Introduction

  • نسخه ی نمایشی: ویترین Weka Demo: Weka Showcase

  • نسخه ی نمایشی: ویترین Deeplearning4j (DL4J) Demo: Deeplearning4j (DL4J) Showcase

  • نسخه ی نمایشی: ویترین Spark MLlib Demo: Spark MLlib Showcase

  • خلاصه Summary

پیاده سازی گردش کار یادگیری ماشین با Weka Implementing a Machine Learning Workflow with Weka

  • معرفی Introduction

  • نسخه ی نمایشی: آماده سازی و بارگیری داده ها با برنامه نویسی Weka Demo: Data Preparation and Loading with Programmatic Weka

  • نسخه ی نمایشی: پیش پردازش داده ها با برنامه نویسی Weka Demo: Data Preprocessing with Programmatic Weka

  • نسخه ی نمایشی: اجرای K-means با برنامه نویسی Weka Demo: Implementing K-means with Programmatic Weka

  • نسخه ی نمایشی: ارزیابی و تجسم با Weka برنامه نویسی Demo: Evaluation and Visualization with Programmatic Weka

  • نسخه ی نمایشی: گردش کامل کار در یک حرکت با رابط کاربری گرافیکی Weka Demo: The Full Workflow in One Go with Weka GUI

  • خلاصه Summary

پیاده سازی گردش کار یادگیری ماشین با DL4J Implementing a Machine Learning Workflow with DL4J

  • معرفی Introduction

  • نسخه ی نمایشی: آماده سازی و بارگیری داده ها با DL4J (قسمت 1: راه اندازی) Demo: Data Preparation and Loading with DL4J (Part 1: Setup)

  • نسخه ی نمایشی: آماده سازی و بارگیری داده ها با DL4J (قسمت 2: DL4J DataSetIterator) Demo: Data Preparation and Loading with DL4J (Part 2: DL4J DataSetIterator)

  • نسخه ی نمایشی: پیش پردازش داده ها با DL4J Demo: Data Preprocessing with DL4J

  • نسخه ی نمایشی: اجرای طبقه بندی احساسات توییتر با DL4J Demo: Implementing a Twitter Sentiment Classifier with DL4J

  • نسخه ی نمایشی: عملکرد و ارزیابی و تجسم با DL4J Demo: Performance and Evaluation and Visualization with DL4J

  • خلاصه Summary

پیاده سازی گردش کار یادگیری ماشین با Spark MLlib Implementing a Machine Learning Workflow with Spark MLlib

  • معرفی Introduction

  • نسخه ی نمایشی: آماده سازی و بارگیری داده ها با Spark MLlib Demo: Data Preparation and Loading with Spark MLlib

  • نسخه ی نمایشی: پیش پردازش داده ها با Spark MLlib Demo: Data Preprocessing with Spark MLlib

  • نسخه ی نمایشی: پیاده سازی طبقه بندی تصویر با Spark MLlib Demo: Implementing an Image Classifier with Spark MLlib

  • نسخه ی نمایشی: عملکرد و ارزیابی و تجسم با Spark MLlib Demo: Performance and Evaluation and Visualization with Spark MLlib

  • خلاصه Summary

نمایش نظرات

آموزش کاوش در محیطهای یادگیری ماشین جاوا
جزییات دوره
1h 36m
26
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
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

Nicolae Caprarescu Nicolae Caprarescu

نیکولای که اکنون یک مشاور مستقل است ، کار خود را از سال 2013 به عنوان مهندس نرم افزار آغاز کرد. طی سالهای گذشته ، نیکولای روی سیستم هایی از موتورهای تجاری جاوا با فرکانس بالا گرفته تا برنامه های مختلف برای شرکت های نوپا کار می کرد. نقش های فنی نیکولای همیشه کاملاً پشته بوده است ، که بیشتر اوقات بر روی انتهای جاوا و جلویی های تحت وب متمرکز بوده است: Java، Spring، JDBC، SQL، Maven، Gradle، TeamCity، Jenkins، TDD، JUnit، تست اتوماتیک ، جاوا اسکریپت ، سلنیوم و RESTful. علایق فنی نیکولای شامل یادگیری ماشین ، معماری نرم افزار و یافتن تعادل مناسب بین استفاده از زبان های تایپ شده ثابت در برابر زبان های تایپ شده پویا است. نیکولای همچنین از استقبال تیمها با پذیرفتن ارزشهای Agile و القا آنها به هر تیمی که بتواند ، لذت می برد. نیکولای دارای مدرک لیسانس درجه یک در رشته علوم کامپیوتر از دانشگاه منچستر است ، و در آنجا اشتیاق خود را برای تدریس هنگام راهنمایی سایر دانشجویان کشف کرد. نیکولای همچنین از مسافرت و اتومبیلرانی لذت می برد.