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