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