آموزش پیاده سازی گردش کار یادگیری ماشین با Weka

Implementing Machine Learning Workflow with Weka

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: در این دوره ، شما یاد خواهید گرفت که چگونه می توانید با استفاده از Weka ، یک نرم افزار یادگیری ماشین منبع باز برای تهیه داده ها ، یادگیری ماشین و استقرار مدل پیش بینی شده ، جریان کار یادگیری ماشین خود را توسعه دهید. Weka یک نرم افزار یادگیری ماشین منبع باز آزمایش شده برای ساخت کلیه اجزای گردش کار یادگیری ماشین. در این دوره ، Implementing Machine Learning Workflow with Weka، شما برنامه های ترمینال و همچنین Java API را برای آموزش مدل ها فرا خواهید گرفت. از وکا معمولاً برای تدریس ، تحقیق و کاربردهای صنعتی استفاده می شود. ابتدا شما با یک پروژه Apache Maven شروع خواهید کرد و محیط توسعه جاوا خود را با تمام وابستگی هایی که برای ساخت برنامه های Weka نیاز دارید تنظیم می کنید. در مرحله بعدی ، شما در ساخت و ارزیابی مدل های طبقه بندی در Weka کاوش خواهید کرد. سرانجام ، شما روشهای یادگیری بدون نظارت را در Weka پیاده خواهید کرد و خوشه بندی را با استفاده از الگوریتم خوشه بندی k-means ، خوشه بندی سلسله مراتبی و همچنین خوشه بندی حداکثر انتظار انجام می دهید. پس از اتمام این دوره ، دانش و مهارت ساخت مدلهای یادگیری ماشین تحت نظارت و بدون نظارت را 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

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • معرفی وکا Introducing Weka

  • نسخه ی نمایشی: محیط و راه اندازی پروژه Demo: Environment and Project Setup

  • نسخه ی نمایشی: کاوش روی میز Weka Demo: Exploring the Weka Workbench

  • نسخه ی نمایشی: بارگذاری و کاوش 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: انتخاب و رتبه بندی ویژگی ها 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: 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: سریال سازی و تجسم 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 مدل درخت تصمیم Demo: Building and Visualizing a Decision Tree Model

  • نسخه ی نمایشی: رمزگذاری داده های متنی به شکل عددی Demo: Encoding Text Data in Numeric Form

  • نسخه ی نمایشی: انجام طبقه بندی بر روی داده های متنی 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

  • نسخه ی نمایشی: انجام خوشه بندی K-means Demo: Performing K-means Clustering

  • نسخه ی نمایشی: تجسم تکالیف خوشه Demo: Visualizing Cluster Assignments

  • نسخه ی نمایشی: کاوش و تجسم داده ها Demo: Exploring and Visualizing Data

  • نسخه ی نمایشی: انجام خوشه بندی سلسله مراتبی Demo: Performing Hierarchical Clustering

  • نسخه ی نمایشی: انجام خوشه بندی EM Demo: Performing EM Clustering

  • نسخه ی نمایشی: سریال سازی پارامترهای مدل آموزش دیده Demo: Serializing Trained Model Parameters

  • نسخه ی نمایشی: استقرار یک مدل با استفاده از Spring Boot Demo: Deploying a Model Using SpringBoot

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش پیاده سازی گردش کار یادگیری ماشین با Weka
جزییات دوره
2h 2m
27
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.