آموزش یادگیری ماشین در Angular
Machine learning in Angular
قدرت TensorFlow.js را آزاد کنید: برنامه های پزشکی هوشمند را به راحتی بسازید!
دنیای شگفت‌انگیز مدل‌های عصبی را کشف کنید که در آن ساختن مدل‌های قدرتمند اکنون در دسترس است، بدون اینکه به خطر بیفتد. روزگار جایگزین های گسترده ای مانند Matlab یا کدنویسی تخصصی و نظریه یادگیری ماشین گذشته است. به TensorFlow.js خوش آمدید، تغییر دهنده بازی که به شما امکان می دهد بدون زحمت مدل های قوی ایجاد کنید.
در این دوره، به قلمرو TensorFlow.js می پردازیم و پتانسیل عظیم آن را برای کاربردهای پزشکی کشف می کنیم. چه بخواهید از مدل های از پیش آموزش دیده از هاب های TensorFlow.js استفاده کنید یا برنامه های هوشمند پیشرفته خود را توسعه دهید، یاد خواهید گرفت که چگونه همه این کارها را در کمترین زمان انجام دهید.
یادگیری ماشین، به‌ویژه از طریق شبکه‌های عصبی، یک رویکرد قدرتمند و همه‌کاره برای مدیریت حجم وسیعی از داده‌ها ارائه می‌دهد. بخش واقعاً شگفت‌انگیز این است که چگونه مدل‌های عصبی الگوهای پنهان را در مجموعه داده‌ها بدون راهنمایی صریح کشف می‌کنند. نیازی به اشاره به روابط یا ارائه دستورالعمل‌های خاص نیست – این مدل‌ها همه کار را انجام می‌دهند.
به ما بپیوندید تا مجموعه داده‌های پیش‌بینی دیابت جذاب را بررسی کنیم. این مجموعه داده‌های پزشکی و جمعیت‌شناختی، از جمله سن، جنسیت، BMI، فشار خون بالا، بیماری قلبی و موارد دیگر، به ما امکان می‌دهد مدل‌های یادگیری ماشینی پیشرفته بسازیم. پیش‌بینی دیابت بر اساس تاریخچه و اطلاعات شخصی بیماران، درها را به روی متخصصان مراقبت‌های بهداشتی باز می‌کند تا افراد در معرض خطر را شناسایی کرده و برنامه‌های درمانی شخصی‌سازی کنند. محققان همچنین می توانند ارتباط پیچیده بین عوامل مختلف و احتمال ابتلا به دیابت را بررسی کنند.
در حالی که پایتون و R بر چشم انداز یادگیری ماشین تسلط دارند، TensorFlow.js به عنوان یک جایگزین امیدوارکننده برای علاقه مندان به توسعه وب می درخشد. یک نکته جالب در مورد TensorFlow.js: می‌توانید از کدهای پایتون با تبدیل دستی مدل‌ها استفاده کنید زیرا نمادهای شبیه‌سازی دارند، یا می‌توانید از کتابخانه‌های عمومی برای انجام این تبدیل استفاده کنید.
در این دوره، ما به گروه خاصی پاسخ می دهیم: برنامه نویسان زاویه ای. با TensorFlow.js آینده را در آغوش بگیرید و سفر توسعه اپلیکیشن پزشکی خود را متحول کنید.
اکنون ثبت نام کنید و از امکانات بی حد و حصر TensorFlow.js برای برنامه های کاربردی پزشکی پیشگامانه استفاده کنید!
معرفی Introduction
-
آشنایی با مجموعه داده های ما Getting to know our dataset
-
سطح HbA1c 70 درصد از دقت تشخیص دیابت را تشکیل می دهد HbA1c Levels accounts for 70% of accuracy on diabetes detection
-
ایجاد اولین برنامه ما در Angular Creating our very first app in Angular
-
نصب TensorFlow.js و کتابخانه تجسم Installing TensorFlow.js and visualization library
-
تجسم مجموعه داده Visualizing the dataset
نمای خرابی در TensorFlow.js A crash view on TensorFlow.js
-
معرفی Introduction
-
برخی از نقاط قوت TensorFlow.js Some strongs points from TensorFlow.js
-
چند مثال که من با استفاده از TensorFlow.js ساخته‌ام A couple of example I have built using TensorFlow.js
-
ساخت مدل و خواندن پیشنهادات Building a model and reading suggestions
نمای خرابی در شبکه های عصبی A crash view on neural networks
-
افکار اولیه Initial thoughts
-
نمایی تصادفی در مورد هوش مصنوعی A crash view on artificial intelligence
-
ظاهر یک شبکه عصبی The looks of a neural network
-
یادگیری مدل های عصبی از جعبه شنی: تفریح و یادگیری Learning neural models from a sandbox: having fun and learning
نمای تصادف در Angular A crash view on Angular
-
آشنایی با Angular Getting to know Angular
ساخت مدل TensorFlow.js ما Building our TensorFlow.js model
-
توضیح توابع اساسی: از تجسم تا بارگذاری مجموعه داده ها Explaining basic functions: from visualization to dataset loading
-
ساختن مدل ما، قسمت اول Building our model, part I
-
ایجاد یک سرویس Creating a service
-
در نهایت، ساخت مدل ما Finally, building our model
-
نگاهی به آموزش Taking a look at the training
Jorge Guerra Pires
TensorFlowjs Academy
نمایش نظرات