آموزش پیاده سازی گردش کار یادگیری ماشین با RapidMiner

Implementing Machine Learning Workflow with RapidMiner

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: در این دوره ، شما یاد خواهید گرفت که چگونه می توانید با استفاده از RapidMiner Studio ، یک بستر علوم داده برای آماده سازی داده ها ، یادگیری ماشین و استقرار مدل پیش بینی ، گردش کار یادگیری ماشین خود را توسعه دهید. RapidMiner Studio یک محیط توسعه یکپارچه برای تجسم داده ها ، آماده سازی داده ها ، ماشین یادگیری ، و استقرار در این دوره ، پیاده سازی گردش کار یادگیری ماشین با RapidMiner ، شما نمای کلی از نحوه استفاده از اپراتورهای drag-n-drop برای ساخت و آموزش مدل های یادگیری ماشین خواهید گرفت. ابتدا با استودیوی RapidMiner آشنا می شوید که یک فناوری بدون کد برای توسعه گردش کار یادگیری ماشین شما است. شما تجزیه و تحلیل داده های اکتشافی را با استفاده از RapidMiner ، ساخت مدل های رگرسیون خطی ، ارزیابی مدل ها با استفاده از اعتبار متقابل و انتخاب ویژگی و عادی سازی داده های ورودی ، بدون نوشتن یک خط کد ، انجام خواهید داد. در مرحله بعدی ، شما یک کتابخانه جاوای بومی را برای مدل های سنتی یادگیری ماشین کشف خواهید کرد. Java Analysis Statistics Tool یا کتابخانه JSAT ، یک کتابخانه خالص جاوا است که به شما امکان می دهد مدل های 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-means و استقرار مدل خود با استفاده از چارچوب SpringBoot در یک محیط تولید محدود استفاده خواهید کرد. در آخر ، خواهید دید که چگونه می توانید از کتابخانه عمیق جاوا یا DJL برای آموزش مدل های شبکه عصبی در جاوا استفاده کنید. DJL یک Java API بومی فراهم می کند و می تواند آموزش شما را روی چندین باطن مانند Apache MXNet ، TensorFlow و PyTorch اجرا کند. همچنین می توانید از آموزش انتقال استفاده کنید و از مدل های از قبل آموزش دیده برای طبقه بندی تصویر ، تقسیم بندی تصویر و پردازش زبان طبیعی استفاده کنید. پس از پایان 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

  • معرفی RapidMiner Introducing RapidMiner

  • نسخه ی نمایشی: RapidMiner را بارگیری و نصب کنید 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: 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: 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: 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: اختصاص نقش ها و اجرای ویژگی ها 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

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: ساخت و آموزش مدل رگرسیون Demo: Building and Training a Regression Model

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

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

  • نسخه ی نمایشی: ساخت و ارزیابی 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 Demo: Building and Evaluating a Decision Tree Classification Model

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

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

  • نسخه ی نمایشی: پیش بینی ها با استفاده از یک مدل مستقر شده 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

  • مروری کوتاه بر 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: ساخت 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

  • مروری کوتاه بر آموزش انتقالی Brief Overview of Transfer Learning

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

  • نسخه ی نمایشی: استفاده از یک مدل آموزش دیده برای تقسیم بندی تصویر Demo: Using a Pretrained Model for Image Segmentation

  • معرفی Google BERT Introducing Google BERT

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

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش پیاده سازی گردش کار یادگیری ماشین با RapidMiner
جزییات دوره
2h 23m
35
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
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.