لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش رگرسیون در Angular با استفاده از TensorFlow.js
Regression in Angular using TensorFlow.js
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش ساخت مدل های رگرسیون برای مجموعه داده ها با استفاده از یادگیری ماشین در تایپ اسکریپت ایجاد مدل های رگرسیون در TensorFlowjs مبانی آموزش یک مدل یادگیری ماشینی مبانی رگرسیون ساخت اپلیکیشن های هوشمند در Angular پیش نیازها: سعی کردم همه چیز را توضیح دهم، اما دانش Angular ممکن است سودمند باشد. و دانش یادگیری ماشین نیز ممکن است مفید باشد.
علم داده همه چیز در مورد یافتن اطلاعات/دانش از مجموعه داده ها است. یک رویکرد بسیار قدرتمند استفاده از مدل های خطی است که رگرسیون نامیده می شود. حتی اگر محدود هستند، اگر مجموعه دادهها تمایل خطی داشته باشند، همچنان میتوانند چیزی را تحویل دهند.
در این دوره، ما از Angular به عنوان چارچوب، محیط کدنویسی و TensorFlow.js به عنوان کتابخانه برای ایجاد یک مدل رگرسیون مبتنی بر یادگیری ماشین استفاده میکنیم.
Angular چیست؟؟
Angular یک چارچوب است که توسط تیم Google طراحی شده است و به طور گسترده ای برای طراحی سایت ها استفاده شده است. اساساً، این چارچوبی برای ایجاد فریم انداندها بر اساس TypeScript است. به زبان ساده: صفحه ای که می بینید و در مرورگر وب خود در تعامل هستید.
این یک چارچوب برای ایجاد فرانت اند است.
TensoFlow.js چیست؟
TensorFlow.js یک کتابخانه مبتنی بر جاوا اسکریپت برای یادگیری عمیق، بر اساس TensorFlow کلاسیک، نوشته شده در پایتون است. شما همچنین می توانید ماشین یادگیری ساده، چند عملیات ساده ریاضی با تانسور و غیره را انجام دهید. دلایل مختلفی برای استفاده از TensorFlow.js به جای پایتون وجود دارد و امیدوارم در آینده به آن بازگردم.
یک نکته خوب این است که آنها ادعا می کنند که امکان تبدیل مدل ها در هر دو جهت وجود دارد: TensorFlow.js <- TensorFlow.
ما قصد داریم یک مدل رگرسیون خطی با استفاده از TensorFlow.js در Angular بسازیم. همچنین قرار است در مورد یادگیری ماشینی و Angular!
بیاموزیم
سرفصل ها و درس ها
نکاتی در مورد کدنویسی
Tips on coding
نکاتی در مورد یادگیری و استفاده مجدد از کد کد
Tips on learning and reusing code code snippet
تفسیر نمودار آموزشی
Interpreting the training graph
بحث در مورد یک مدل رگرسیون ساده: زمانی که ممکن است مجبور باشیم بهترین مدل را انتخاب کنیم
Discussing a simple regression model: when we may have to decide the best model
معرفی
Introduction
مدل های رگرسیون ساده چقدر مفید هستند؟
How useful are simple regression models?
راهنمای مدل شما: جمع خطای مطلق در مقابل میانگین مربعات خطا
Guiding your model: Absolute Error Summation vs. Mean Squared Error
مدل های رگرسیون ساده چقدر مفید هستند؟
How useful are simple regression models?
مکانیک آموزش یک مدل عصبی: اعتبار سنجی در مقابل آموزش
The mechanics of teaching a neural model: validation vs. training
رگرسیون غیرخطی و شبکه های عصبی
Nonlinear regression and neural networks
کلمات اولیه
Initial words
بازگشت به آینده: تصور کنید می توانید یک مدل یادگیری ماشینی را به عقب بفرستید
Back to the future: imagine you could send a machine learning model backward
تصور غلط: یادگیری ماشینی نمیداند چه کاری انجام میدهد
Misconception: machine learning does not understand what it is doing
مفهوم یادگیری ماشین: ویژگی ها
Machine learning concept: features
ساخت یک رگرسیون خطی برای پیش بینی دمای درک شده
Building a linear regression to predict perceived temperature
آماده سازی محیط (با کمک chatGPT)
Preparing the environment (with the help of chatGPT)
رفع مشکلات اولیه، و ما آماده هستیم!
Fixing initial issues, and we are good to go!
اجرای یک مدل ساده، فقط برای آشنایی با TensorFlow.js
Running a simple model, just to get familiar with TensorFlow.js
ناآگاهی هدف: قضاوت مکانیکی در مقابل قضاوت بالینی
Objetive ignorace: mechanical judgment vs. clinical judgment
در حال آپلود و تجسم مجموعه داده ما
Uploading and visualizing our dataset
در حال آپلود مجموعه داده ما از صفحه گسترده Google
Uploading our dataset from Google Spreadsheet
نگاهی به مجموعه داده ما
Taking a look on our dataset
آشنایی با کد ما برای رسم
Getting to know our code for plotting
ایجاد و آموزش مدل ما در TensorFlow.js
Creating and training our model in TensorFlow.js
اطلاعات اولیه
Initial information
آشنایی با کد ما
Getting familiar with our code
آموزش خواندن منحنی های آموزشی
Learning to read the training curves
اندازه دسته بر روی منحنی آموزش
Batch size on the training curve
ویژگی هایی را به مدل اضافه کنید
Add features to the model
بهبود الگوریتم نمونه گیری
Improving the sampling algorithm
ایجاد تانسور از مجموعه داده ما برای آموزش
Creating tensors from our dataset for training
تنظیمات نهایی برای در نهایت آموزش مدل ما
Final settings for finally training our model
سرانجام کار سخت ما نتیجه داد: آموزش مدل
Finally our hard work pays off: training the model
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات