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 ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
توضیحات دوره:
Weka یک نرم افزار یادگیری ماشین منبع باز و آزمایش شده برای ساخت کلیه مؤلفه های یک گردش کار یادگیری ماشین است. در این دوره ، اجرای گردش کار یادگیری ماشین با Weka ، برنامه های ترمینال و همچنین یک API جاوا را برای آموزش مدل ها یاد خواهید گرفت. Weka معمولاً برای آموزش ، تحقیق و کاربردهای صنعتی استفاده می شود.
اول ، شما با یک پروژه آپاچی Maven شروع خواهید کرد و محیط توسعه جاوا خود را با تمام وابستگی هایی که برای ساختن برنامه های WEKA نیاز دارید ، تنظیم می کنید.
در مرحله بعد ، شما ساختمان و ارزیابی مدل های طبقه بندی در Weka را کشف خواهید کرد.
سرانجام ، شما تکنیک های یادگیری بدون نظارت را در WEKA پیاده سازی خواهید کرد و با استفاده از الگوریتم خوشه بندی K- معنی ، خوشه بندی سلسله مراتبی و همچنین خوشه بندی حداکثر انتظار ، خوشه بندی را انجام می دهید.
پس از اتمام این دوره ، دانش و مهارت هایی برای ساخت مدل های یادگیری ماشین نظارت شده و بدون نظارت با استفاده از کتابخانه Weka Java خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
پیاده سازی مدل های رگرسیون
Implementing Regression Models
بررسی نسخه
Version Check
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
پیش نیازها و رئوس مطالب دوره
Prerequisites and Course Outline
معرفی وکا
Introducing Weka
معرفی Weka
Introducing Weka
نسخه ی نمایشی: محیط و راه اندازی پروژه
Demo: Environment and Project Setup
نسخه ی نمایشی: محیط و تنظیم پروژه
Demo: Environment and Project Setup
نسخه ی نمایشی: کاوش روی میز Weka
Demo: Exploring the Weka Workbench
نسخه ی نمایشی: کاوش در میز کار Weka
Demo: Exploring the Weka Workbench
نسخه ی نمایشی: بارگذاری و کاوش مجموعه داده
Demo: Loading and Exploring the Dataset
نسخه ی نمایشی: بارگیری و کاوش در مجموعه داده
Demo: Loading and Exploring the Dataset
نسخه ی نمایشی: آموزش و ارزیابی مدل رگرسیون
Demo: Training and Evaluating a Regression Model
نسخه ی نمایشی: آموزش و ارزیابی مدل رگرسیون چندگانه
Demo: Training and Evaluating a Multiple Regression Model
نسخه ی نمایشی: آموزش و ارزیابی یک مدل رگرسیون
Demo: Training and Evaluating a Regression Model
نسخه ی نمایشی: انتخاب و رتبه بندی ویژگی ها
Demo: Feature Selection and Ranking
نسخه ی نمایشی: آموزش و ارزیابی یک مدل رگرسیون چندگانه
Demo: Training and Evaluating a Multiple Regression Model
نسخه ی نمایشی: انتخاب و رتبه بندی ویژگی
Demo: Feature Selection and Ranking
نسخه ی نمایشی: پردازش و ذخیره داده های پردازش شده
Demo: Processing and Saving Processed Data
نسخه ی نمایشی: ارزیابی یک مدل با استفاده از اعتبار سنجی متقابل
Demo: Evaluating a Model Using Cross Validation
نسخه ی نمایشی: پردازش و ذخیره داده های پردازش شده
Demo: Processing and Saving Processed Data
نسخه ی نمایشی: رگرسیون با استفاده از ماشین های بردار پشتیبان و گیرنده های چند لایه
Demo: Regression Using Support Vector Machines and Multilayer Perceptrons
نسخه ی نمایشی: ارزیابی یک مدل با استفاده از اعتبار سنجی متقابل
Demo: Evaluating a Model Using Cross Validation
نسخه ی نمایشی: سریال سازی و تجسم مدل درخت تصمیم گیری
Demo: Serializing and Visualizing a Decision Tree Model
نسخه ی نمایشی: رگرسیون با استفاده از ماشین های بردار پشتیبانی و Perceptrons چند لایه
Demo: Regression Using Support Vector Machines and Multilayer Perceptrons
نسخه ی نمایشی: سریال سازی و تجسم یک مدل درخت تصمیم گیری
Demo: Serializing and Visualizing a Decision Tree Model
پیاده سازی مدل های طبقه بندی
Implementing Classification Models
نسخه ی نمایشی: انتخاب ویژگی و پردازش داده ها
Demo: Feature Selection and Data Processing
نسخه ی نمایشی: ساخت و ارزیابی یک مدل طبقه بندی
Demo: Building and Evaluating a Classification Model
نسخه ی نمایشی: ساخت و تجسم یک مدل درخت تصمیم گیری
Demo: Building and Visualizing a Decision Tree Model
نسخه ی نمایشی: رمزگذاری داده های متن به شکل عددی
Demo: Encoding Text Data in Numeric Form
نسخه ی نمایشی: انجام طبقه بندی روی داده های متن
Demo: Performing Classification on Text Data
پیاده سازی مدلهای خوشه بندی
Implementing Clustering Models
نسخه ی نمایشی: عادی سازی و تجسم داده ها
Demo: Normalizing and Visualizing Data
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