آموزش پیاده سازی گردش کار یادگیری ماشین با RapidMiner

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