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.
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

  • یک نمودار آزمایشی ایجاد کنید Create a test graph

نمایش نظرات

نظری ارسال نشده است.

آموزش رگرسیون در Angular با استفاده از TensorFlow.js
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
3 hours
25
Udemy (یودمی) udemy-small
14 خرداد 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
4,007
4.5 از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jorge Guerra Pires Jorge Guerra Pires

محقق مستقل، دکتری

TensorFlowjs Academy TensorFlowjs Academy

یادگیری ماشین در جاوا اسکریپت

Udemy (یودمی)

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.