آموزش اجرای گردش کار یادگیری ماشین با Weka

دانلود Implementing Machine Learning Workflow with Weka

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      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

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

      • نسخه ی نمایشی: تجسم تکالیف خوشه ای 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 Springboot Demo: Deploying a Model Using SpringBoot

      • خلاصه و مطالعه بیشتر Summary and Further Study

      نمایش نظرات

      آموزش اجرای گردش کار یادگیری ماشین با Weka
      جزییات دوره
      2h 2m
      40
      Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
      (آخرین آپدیت)
      2
      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.