Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره ملاحظات مهم برای مدلهای یادگیری سریع در بهبود تأخیر و توان عملیاتی پیش بینی را پوشش می دهد. بازنمایی ویژگی های خاص و تکنیک های یادگیری جزئی ، و همچنین پیاده سازی های یادگیری افزایشی ، ... حتی وقتی تعداد چارچوب ها و کتابخانه های یادگیری ماشین به سرعت افزایش می یابد ، یادگیری scikit به راحتی محبوبیت خود را حفظ می کند. scikit-learn موارد معمول در یادگیری ماشین - خوشه بندی ، طبقه بندی ، کاهش ابعاد و رگرسیون - را فوق العاده آسان می کند. در این دوره ، Scaling scikit-learn Solutions شما توانایی استفاده از یادگیری خارج از هسته و موازی سازی چند هسته ای را در یادگیری scikit خواهید داشت. ابتدا ملاحظاتی را یاد می گیرید که در تأخیر و توان عملیاتی پیش بینی تأثیر می گذارد ، از جمله تعداد ویژگی ها ، پیچیدگی ویژگی ها و پیچیدگی مدل. در مرحله بعدی ، خواهید فهمید که چگونه انتخاب های هوشمند در نمایش ویژگی ها و نحوه مدل سازی داده های پراکنده می تواند مقیاس پذیری مدل های شما را بهبود بخشد. سپس خواهید فهمید که یادگیری افزایشی چیست ، و چگونگی استفاده از برآوردگرهای یادگیری scikit که از این عامل اصلی یادگیری خارج از هسته پشتیبانی می کنند ، خواهید فهمید. سرانجام ، شما دانش خود را با موازی سازی کارهای اصلی مانند اعتبار سنجی متقابل ، تنظیم بیش از حد پارامتر و یادگیری گروه ، جمع آوری می کنید. پس از اتمام این دوره ، مهارت و دانش لازم برای شناسایی تکنیک های اصلی را برای کمک به مقیاس پذیر بودن مدل خود و پیاده سازی مناسب آنها برای موارد استفاده خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک راهبردهای مقیاس محاسباتی
Understanding Strategies for Computational Scaling
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
ابعاد مقیاس گذاری
Dimensions of Scaling
اندازه گیری عملکرد در مقیاس گذاری
Measuring Performance in Scaling
تأثیر تعداد ویژگی ها
Influence of Number of Features
تأثیر تکنیک های استخراج ویژگی
Influence of Feature Extraction Techniques
تأثیر نمایندگی ویژگی
Influence of Feature Representation
نسخه ی نمایشی: توابع کمکی برای تولید مجموعه داده ها و مدل های آموزش
Demo: Helper Functions to Generate Datasets and Train Models
نسخه ی نمایشی: اندازه گیری تأخیرهای آموزشی برای مدل های مختلف
Demo: Measuring Training Latencies for Different Models
خلاصه ماژول
Module Summary
مشاهده عوامل موثر بر تأخیر پیش بینی
Observing the Factors Affecting Prediction Latency
بررسی اجمالی ماژول
Module Overview
نسخه ی نمایشی: اندازه گیری تاخیرهای انبوه و پیش بینی اتمی برای مدل های مختلف
Demo: Measuring Bulk and Atomic Prediction Latencies for Different Models
نسخه ی نمایشی: تأثیر تعداد ویژگی ها در تأخیر پیش بینی انبوه
Demo: Influence of Number of Features on Bulk Prediction Latency
بهینه سازی برای بهبود تأخیر پیش بینی
Optimizations to Improve Prediction Latency
بهینه سازی برای بهبود عملکرد پیش بینی
Optimizations to Improve Prediction Throughput
نسخه ی نمایشی: مشاهده تأثیر پیچیدگی مدل
Demo: Observing the Influence of Model Complexity
نسخه ی نمایشی: استفاده از کتابخانه های بهینه و کاهش هزینه اعتبار سنجی
Demo: Using Optimized Libraries and Reducing Validation Overhead
نسخه ی نمایشی: مدل های آموزشی با استفاده از نمایش ورودی متراکم و پراکنده
Demo: Training Models Using Dense and Sparse Input Representation
نسخه ی نمایشی: پیش بینی با داده های پراکنده و پروفایل حافظه
Demo: Prediction with Sparse Data and Memory Profiling
خلاصه ماژول
Module Summary
اجرای مقیاس گذاری موارد با استفاده از یادگیری خارج از هسته
Implementing Scaling of Instances Using Out-of-core Learning
بررسی اجمالی ماژول
Module Overview
پخش جریانی داده
Streaming Data
یادگیری افزایشی برای مجموعه های داده بزرگ
Incremental Learning for Large Datasets
نسخه ی نمایشی: آماده سازی داده های متنی برای خارج از یادگیری اصلی
Demo: Preparing Text Data for out of Core Learning
نسخه ی نمایشی: استفاده از جزئی متناسب برای عملکرد خارج از یادگیری اصلی
Demo: Using Partial Fit to Perform out of Core Learning
نسخه ی نمایشی: تجسم تاخیرها و دقت ها
Demo: Visualizing Latencies and Accuracies
نسخه ی نمایشی: با استفاده از طبقه بندی کننده های Passive Aggressive ، Perceptron و BernoulliNB
Demo: Using the Passive Aggressive, Perceptron, and BernoulliNB Classifiers
خلاصه ماژول
Module Summary
پیاده سازی موازی سازی چند هسته ای در یادگیری دقیق
Implementing Multicore Parallelism in scikit-learn
بررسی اجمالی ماژول
Module Overview
محاسبه موازی استفاده از Joblib
Parallelizing Computation Using Joblib
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.
نمایش نظرات