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
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.
نمایش نظرات
نظری ارسال نشده است.