آموزش ساخت مدل‌های قدرتمند یادگیری ماشین در جاوا با استفاده از آنتروپی - آخرین آپدیت

دانلود Build Robust Java ML Models with Entropy

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره جامع به دانشجویان آموزش می‌دهد تا مدل‌های یادگیری ماشین را با استفاده از زبان جاوا بسازند، با تمرکز ویژه بر مفهوم «آنتروپی» به عنوان پایه ریاضی برای الگوریتم‌های تصمیم‌گیری هوشمند. دانشجویان محاسبات آنتروپی را از پایه پیاده‌سازی کرده و می‌آموزند که چگونه «بهره اطلاعاتی» (Information Gain) باعث اتخاذ تصمیمات بهینه در تقسیم‌بندی الگوریتم‌های طبقه‌بندی می‌شود. سرفصل‌های این دوره شامل ساخت طبقه‌بندی‌کننده‌های کامل درخت تصمیم با استفاده از الگوریتم ID3، پیاده‌سازی ساختار بازگشتی درخت، مدیریت شرایط توقف و تسلط بر تکنیک‌های ارزیابی از جمله تقسیم داده‌ها به مجموعه‌های آموزش و تست، ماتریس اغتشاش (Confusion Matrix) و معیارهای عملکرد مانند دقت (Accuracy)، صحت (Precision) و فراخوانی (Recall) است. مباحث پیشرفته شامل مدیریت ویژگی‌های پیوسته و مقادیر گم‌شده، ساخت مدل‌های تجمعی جنگل تصادفی (Random Forest) برای بهبود دقت و استقرار سیستم‌های آماده تولید با قابلیت ذخیره‌سازی مدل و رابط‌های پیش‌بینی است. این دوره بر پیاده‌سازی عملی با نمایش‌ها و تمرینات آزمایشگاهی تأکید دارد تا دانشجویان سیستم‌های ML را از صفر بسازند. در پروژه نهایی، دانشجویان یک سیستم جامع پیش‌بینی ریزش مشتری (Customer Churn) ایجاد می‌کنند که ترکیبی از تئوری آنتروپی، پیاده‌سازی الگوریتم، ارزیابی و مهارت‌های استقرار است. مخاطبان: توسعه‌دهندگان جاوا و علاقه‌مندان به داده‌ها که می‌خواهند یادگیری ماشین را از پایه با ساخت درخت‌های تصمیم و جنگل‌های تصادفی در جاوا درک کرده و آن‌ها را در مسائل دنیای واقعی به کار ببرند. پیش‌نیازها: مهارت‌های پایه برنامه‌نویسی جاوا، آشنایی با مفاهیم شی‌گرایی و تجربه کار با ساختارهای داده رایج مانند Lists و Maps. در پایان این دوره، شما قادر خواهید بود مدل‌های یادگیری ماشین مبتنی بر آنتروپی را در جاوا بسازید، ارزیابی کنید و مستقر نمایید. شما درخت‌های تصمیم و جنگل‌های تصادفی را پیاده‌سازی کرده، معیارهای ارزیابی اصلی را به کار ببرید و تئوری‌ها را به راهکارهای عملی و واقعی ML تبدیل کنید.

سرفصل ها و درس ها

مبانی یادگیری ماشین و آنتروپی Foundations of Machine Learning and Entropy

  • یادگیری ماشین اطلاعات‌محور با جاوا: تسلط بر آنتروپی برای ساخت مدل‌های هوشمندتر Information-Centric ML with Java: Master Entropy to Build Smarter Models

  • عدم قطعیت و تئوری اطلاعات Uncertainty and Information Theory

  • محاسبه آنتروپی شانون در جاوا Calculating Shannon Entropy in Java

  • راه‌اندازی محیط یادگیری ماشین در جاوا Setting up the Java ML Environment

پیاده‌سازی الگوریتم‌های درخت تصمیم Implementing Decision Tree Algorithms

  • الگوریتم ID3 The ID3 Algorithm

  • ساخت یک طبقه‌بندی‌کننده کامل درخت تصمیم Building a Complete Decision Tree Classifier

  • ارزیابی و اعتبارسنجی مدل Model Evaluation and Validation

تکنیک‌های پیشرفته و کاربردهای دنیای واقعی Advanced Techniques and Real-World Applications

  • مدیریت ویژگی‌های پیوسته و داده‌های گم‌شده Handling Continuous Attributes and Missing Data

  • متدهای تجمعی: جنگل‌های تصادفی Ensemble Methods - Random Forests

  • کاربردهای عملی و استقرار Practical Applications and Deployment

  • جمع‌بندی دوره Course Wrap Up

نمایش نظرات

آموزش ساخت مدل‌های قدرتمند یادگیری ماشین در جاوا با استفاده از آنتروپی
جزییات دوره
3h 45m
11
(آخرین آپدیت)
24
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده