آموزش اجرای گردش کار یادگیری ماشین با RapidMiner

دانلود Implementing Machine Learning Workflow with RapidMiner

Video Player is loading.
Current Time 0:00
Duration -:-
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      توضیحات دوره: Studio RapidMiner یک محیط توسعه یکپارچه را برای تجسم داده ها ، تهیه داده ها ، یادگیری ماشین و استقرار فراهم می کند. در این دوره ، اجرای گردش کار یادگیری ماشین با RapidMiner ، شما می توانید از نحوه استفاده از اپراتورهای Drag-N-Drop برای ساخت و آموزش مدل های یادگیری ماشین استفاده کنید. اول ، شما با Studio RapidMiner ، که یک فناوری بدون کد برای توسعه گردش کار یادگیری ماشین شماست ، معرفی خواهید کرد. شما می توانید تجزیه و تحلیل داده های اکتشافی را با استفاده از RapidMiner ، ساخت مدل های رگرسیون خطی انجام دهید ، مدل ها را با استفاده از اعتبارسنجی متقاطع ارزیابی کنید و انتخاب ویژگی و عادی سازی داده های ورودی را انجام دهید ، بدون نوشتن یک خط واحد. در مرحله بعد ، شما یک کتابخانه بومی جاوا را برای مدل های یادگیری ماشین سنتی کشف خواهید کرد. ابزار تجزیه و تحلیل آماری جاوا یا کتابخانه JSAT ، یک کتابخانه خالص جاوا است که به شما امکان می دهد مدلهای رگرسیون ، طبقه بندی و خوشه بندی را آموزش دهید. شما از JSAT برای انجام رگرسیون خطی ، انجام طبقه بندی با استفاده از رگرسیون لجستیک و درختان تصمیم گیری ، انجام خوشه بندی با استفاده از خوشه بندی K-mean و استقرار مدل خود با استفاده از چارچوب Springboot در یک محیط تولید محدود استفاده خواهید کرد. سرانجام ، خواهید دید که چگونه می توانید از کتابخانه عمیق جاوا یا DJL برای آموزش مدل های شبکه عصبی در جاوا استفاده کنید. DJL یک API جاوا بومی را فراهم می کند و می تواند آموزش شما را بر روی چندین پشتیبان مانند Apache MXNET ، Tensorflow و Pytorch اجرا کند. همچنین از یادگیری انتقال استفاده می کنید و از مدل های از پیش آموزش داده شده برای طبقه بندی تصویر ، تقسیم بندی تصویر و پردازش زبان طبیعی استفاده می کنید. پس از اتمام این دوره ، می توانید از فناوری های بدون کد و کتابخانه های جاوا بومی برای ساخت و آموزش مدل های یادگیری ماشین استفاده کنید.

      سرفصل ها و درس ها

      بررسی اجمالی دوره Course Overview

      • بررسی اجمالی دوره Course Overview

      پیاده سازی مدل های یادگیری ماشین با RapidMiner Studio Implementing Machine Learning Models with RapidMiner Studio

      • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

      • بررسی نسخه Version Check

      • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

      • معرفی RapidMiner Introducing RapidMiner

      • معرفی RapidMiner Introducing RapidMiner

      • نسخه ی نمایشی: RapidMiner را بارگیری و نصب کنید Demo: Download and Setup RapidMiner

      • نسخه ی نمایشی: بارگیری و راه اندازی RapidMiner Demo: Download and Setup RapidMiner

      • نسخه ی نمایشی: راه اندازی مخزن و وارد کردن داده ها Demo: Setting up a Repository and Importing Data

      • نسخه ی نمایشی: تنظیم مخزن و وارد کردن داده ها Demo: Setting up a Repository and Importing Data

      • نسخه ی نمایشی: کاوش در مجموعه داده Demo: Exploring the Dataset

      • نسخه ی نمایشی: ساخت و ارزیابی مدل رگرسیون خطی Demo: Build and Evaluate a Linear Regression Model

      • نسخه ی نمایشی: کاوش در مجموعه داده ها Demo: Exploring the Dataset

      • نسخه ی نمایشی: مدل آموزش داده های آموزشی و ارزیابی آنها با استفاده از داده های آزمون Demo: Train Model on Training Data and Evaluate Using Test Data

      • نسخه ی نمایشی: یک مدل رگرسیون خطی را بسازید و ارزیابی کنید Demo: Build and Evaluate a Linear Regression Model

      • نسخه ی نمایشی: انتخاب ویژگی را انجام دهید Demo: Perform Attribute Selection

      • نسخه ی نمایشی: مدل آموزش داده های آموزش و ارزیابی با استفاده از داده های آزمون Demo: Train Model on Training Data and Evaluate Using Test Data

      • نسخه ی نمایشی: انتخاب ویژگی را انجام دهید Demo: Perform Attribute Selection

      • نسخه ی نمایشی: با استفاده از اعتبارسنجی متقابل ، یک مدل را ارزیابی کنید Demo: Evaluate a Model Using Cross-validation

      • نسخه ی نمایشی: یک مدل را با استفاده از اعتبارسنجی متقاطع ارزیابی کنید Demo: Evaluate a Model Using Cross-validation

      • نسخه ی نمایشی: اختصاص نقش ها و اجرای ویژگی ها Demo: Assign Roles and Perform Attribute Selection

      • نسخه ی نمایشی: نقش ها را اختصاص داده و انتخاب ویژگی را انجام دهید Demo: Assign Roles and Perform Attribute Selection

      • نسخه ی نمایشی: یک مدل با داده های عادی را آموزش دهید Demo: Train a Model with Normalized Data

      • نسخه ی نمایشی: یک مدل را با داده های عادی آموزش دهید Demo: Train a Model with Normalized Data

      استفاده از JSAT برای پیاده سازی مدلهای یادگیری ماشین Using JSAT to Implement Machine Learning Models

      • معرفی JSAT Introducing JSAT

      • نسخه ی نمایشی: راه اندازی با یک پروژه Maven Demo: Getting Set up with a Maven Project

      • نسخه ی نمایشی: بارگیری و کاوش داده ها Demo: Loading and Exploring Data

      • نسخه ی نمایشی: ساختمان و آموزش یک مدل رگرسیون Demo: Building and Training a Regression Model

      • نسخه ی نمایشی: ارزیابی یک مدل رگرسیون Demo: Evaluating a Regression Model

      • نسخه ی نمایشی: آموزش و ارزیابی یک مدل رگرسیون ریج Demo: Training and Evaluating a Ridge Regression Model

      • نسخه ی نمایشی: ساخت و ارزیابی یک مدل طبقه بندی رگرسیون لجستیک Demo: Building and Evaluating a Logistic Regression Classification Model

      • نسخه ی نمایشی: ساخت و ارزیابی مدل طبقه بندی درخت تصمیم گیری Demo: Building and Evaluating a Decision Tree Classification Model

      • نسخه ی نمایشی: انجام خوشه بندی و ارزیابی مدلهای خوشه بندی Demo: Performing Clustering and Evaluating Clustering Models

      • نسخه ی نمایشی: سریال سازی و رها کردن مدل های آموزش دیده Demo: Serializing and Deserializing Trained Models

      • نسخه ی نمایشی: پیش بینی با استفاده از یک مدل مستقر Demo: Making Predictions Using a Deployed Model

      استفاده از DJL برای پیاده سازی مدل های یادگیری ماشین Using DJL to Implement Machine Learning Models

      • معرفی DJL Introducing DJL

      • نمای کلی از شبکه های عصبی Brief Overview of Neural Networks

      • نسخه ی نمایشی: تنظیم پروژه Maven و وابستگی ها Demo: Setting up the Maven Project and Dependencies

      • نسخه ی نمایشی: ساختن یک شبکه عصبی کاملاً متصل برای طبقه بندی تصویر Demo: Building a Fully Connected Neural Network for Image Classification

      • نسخه ی نمایشی: آموزش مدل طبقه بندی تصویر Demo: Training the Image Classification Model

      • نسخه ی نمایشی: انجام پیش بینی ها با استفاده از مدل طبقه بندی Demo: Performing Predictions Using the Classification Model

      • نمای کلی از یادگیری انتقال Brief Overview of Transfer Learning

      • نسخه ی نمایشی: با استفاده از یک مدل پیش ساخته برای طبقه بندی تصویر Demo: Using a Pretrained Model for Image Classification

      • نسخه ی نمایشی: با استفاده از یک مدل پیش ساخته برای تقسیم تصویر Demo: Using a Pretrained Model for Image Segmentation

      • معرفی Google BERT Introducing Google BERT

      • نسخه ی نمایشی: پاسخ دادن به سوالات با Google Bert Demo: Answering Questions with Google BERT

      • خلاصه و مطالعه بیشتر Summary and Further Study

      نمایش نظرات

      نظری ارسال نشده است.

      آموزش اجرای گردش کار یادگیری ماشین با RapidMiner
      خرید اشتراک و دانلودخرید تکی و دانلود | 210,000 تومان (5 روز مهلت دانلود ) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 2 تا 14 ساعت می باشد.
      جزییات دوره
      2h 24m
      47
      Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
      (آخرین آپدیت)
      2
      از 5
      دارد
      دارد
      دارد
      Janani Ravi
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Janani Ravi Janani Ravi

      معمار و مهندس داده خبره Google Cloud

      Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

      جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.