یادگیری ماشینی دستی برای توسعه دهندگان دات نت [ویدئو]

Hands-On Machine Learning for .NET Developers [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ML.NET توسعه دهندگان را قادر می سازد تا از مهارت های دات نت خود برای ادغام آسان یادگیری ماشینی تقریباً در هر برنامه دات نت استفاده کنند. این دوره به شما نحوه پیاده سازی یادگیری ماشینی و ساخت مدل ها را با استفاده از کتابخانه جدید یادگیری ماشینی مایکروسافت، ML.NET آموزش می دهد. شما یاد خواهید گرفت که چگونه از کتابخانه به طور موثر برای ایجاد و ادغام یادگیری ماشین در برنامه های NET خود استفاده کنید. با گذراندن این دوره، یاد خواهید گرفت که چگونه وظایف و الگوریتم های مختلف یادگیری ماشین را با استفاده از کتابخانه ML.NET پیاده سازی کنید و از Model Builder و CLI برای ساخت مدل های سفارشی با استفاده از AutoML استفاده کنید. شما داده ها را برای آموزش و ارزیابی یک مدل بارگیری و آماده خواهید کرد. با یک مدل آموزش دیده پیش بینی کنید. و مهمتر از همه، بازآموزی آن. طبقه بندی تصاویر، تجزیه و تحلیل احساسات، موتورهای توصیه، و موارد دیگر را پوشش خواهید داد! شما همچنین با استفاده از تکنیک‌های بهبود عملکرد و دقت مدل، و گسترش ML.NET با استفاده از مدل‌های TensorFlow از پیش آموزش‌دیده با استفاده از یادگیری انتقال در برنامه ML.NET خود و برخی تکنیک‌های پیشرفته، کار خواهید کرد. در پایان دوره، حتی اگر قبلاً دانش یادگیری ماشین موجود را نداشتید، به اندازه کافی برای انجام وظایف یادگیری ماشین و ساختن مدل‌های سفارشی ML با استفاده از کتابخانه ML.NET مطمئن خواهید بود. همه کدها و فایل های پشتیبانی این دوره در GitHub در https://github.com/PacktPublishing/Hands-On-Machine-Learning-for-.NET-Developers-V موجود است. پلتفرم برنامه های Net. مانند ASP.Net Web.API ها، برنامه های دسکتاپ و برنامه های کنسول هسته Dotnet از پیشرفت‌های یادگیری ماشینی با مدل‌های سفارشی‌شده برای نیازهای شما استفاده کنید با استفاده از ابزارهای AutoML، Model Builder و CLI، مدل های مختلف یادگیری ماشین را به سرعت ارزیابی کنید مدل های خود را برای عملکرد و دقت بهتر بهبود و آموزش دهید مروری کلی بر یادگیری ماشین از طریق رویکرد عملی از الگوریتم های مختلف یادگیری ماشین برای حل مسائلی مانند پیش بینی احساسات، طبقه بندی اسناد، تشخیص تصویر، سیستم های توصیه کننده محصول، پیش بینی قیمت و پیش بینی قیمت بیت کوین استفاده کنید. بارگذاری داده ها و آماده سازی برای آموزش مدل استفاده از مدل های TensorFlow و ONNX به طور مستقیم در دات نت این دوره برای توسعه دهندگان دات نت است که می خواهند مدل های یادگیری ماشین سفارشی را با استفاده از توسعه دهندگان ML.NET و ML پیاده سازی کنند که به دنبال ابزارهای موثر برای پیاده سازی الگوریتم های مختلف یادگیری ماشین هستند. این دوره همچنین برای دانشمندان داده که می خواهند یادگیری ماشین را در Net پیاده سازی کنند مناسب است. دانش قبلی (و درک اولیه) C# و Net ضروری است. با این حال، دانش قبلی یادگیری ماشین یا یادگیری پایتون مورد نیاز نیست. به سرعت با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین در برنامه‌های Net خود راه‌اندازی کنید * الگوریتم‌های یادگیری ماشین را با استفاده از مجموعه داده‌های دنیای واقعی، بدون اولین یادگیری ریاضی پیاده‌سازی کنید. ) مدل هایی که از قبل توسط غول های فناوری آموزش داده شده اند، در کد Net خودتان

سرفصل ها و درس ها

یافتن بهترین قیمت در لپ تاپ با استفاده از پیش بینی قیمت (رگرسیون) Finding the Best Price on Laptops Using Price Prediction (Regression)

  • بررسی اجمالی دوره The Course Overview

  • نسخه ی نمایشی برنامه و نحوه به کارگیری یادگیری ماشینی Demo of the Application and How to Apply Machine Learning

  • نصب ML.NET Model Builder Installing the ML.NET Model Builder

  • با ML.NET Model Builder به طور خودکار یک مدل تولید کنید Automatically Generate a Model with the ML.NET Model Builder

  • استفاده از مدل نهایی در برنامه دسکتاپ Using the Final Model in the Desktop Application

  • تولید مدل با استفاده از ابزار ML.NET CLI Generating the Model Using the ML.NET CLI Tool

تعیین پرخاشگری در نظرات کاربران Determining Aggression in User Comments

  • نسخه ی نمایشی Web API و مجموعه داده های پرخاشگری ویکی پدیا Demo of the Web API and the Wikipedia Aggression Dataset

  • کاوش در کد یاد بگیرید که خط لوله آموزشی چیست Digging into the Code Learn What a Training Pipeline Is

  • اجرای خط لوله برای گلزن پرخاشگر Implementing a Pipeline for the Aggression Scorer

  • استفاده از مدل سفارشی در Web API Using the Custom Model in the Web API

ارزیابی، بهبود و بازآموزی مدل خود Evaluating, Improving, and Retraining Your Model

  • ارزیابی مدل شما Evaluating Your Model

  • تقسیم داده ها به مجموعه های آموزشی و آزمایشی Splitting the Data into Training and Test Sets

  • بازآموزی مدل با داده های بیشتر Retraining the Model with More Data

  • ارزیابی با اعتبارسنجی متقابل Evaluating with Cross-Validation

طبقه بندی اخبار به موضوعات Classifying News into Subjects

  • طبقه بندی چند طبقه و مجموعه داده های خبری UCI Multiclass Classification and the UCI News Dataset

  • استفاده از AutoML برای یافتن مدل مناسب Using AutoML to Find a Suitable Model

  • ساخت خط لوله و ارزیابی عملکرد Building the Pipeline and Evaluating the Performance

  • تأثیر داده های نامتعادل بر معیارها را بررسی کنید Explore the Effect of Imbalanced Data on the Metrics

ساخت یک سیستم توصیه کننده Building a Recommender System

  • توصیه کننده رستوران The Restaurant Recommender

  • ساخت مدل توصیه رستوران Building the Restaurant Recommendation Model

  • بررسی پارامترهای فرامرزی برای بهبود دقت Exploring Hyper Parameters to Improve the Accuracy

طبقه بندی تصاویر با استفاده از TensorFlow "آموزش انتقال" Classifying Images Using TensorFlow "Transfer Learning"

  • طبقه بندی تصویر و مجموعه داده ما Image Classification and Our Dataset

  • یادگیری عمیق و انتقال یادگیری از TensorFlow Deep Learning and Transferring Learnings from TensorFlow

  • آموزش مدل طبقه بندی تصاویر سفارشی Training the Custom Image Classification Model

  • استفاده از مدل آموزش دیده در برنامه دسکتاپ Using the Trained Model in the Desktop Application

  • افزایش سرعت آموزش مدل با استفاده از GPU Speeding Up Model Training Using the GPU

تشخیص حالات صورت در وب کم خود با یک مدل از پیش آموزش دیده ONNX Detecting Facial Expressions in Your Webcam with a Pre-Trained ONNX Model

  • ONNX چیست What ONNX Is

  • مدل FER+ ONNX The FER+ ONNX Model

  • ایجاد خط لوله ONNX ما Creating Our ONNX Pipeline

  • تشخیص احساسات در تصاویر و وب کم Detecting Emotions in Images and Webcam

  • ذخیره یک مدل ML.NET در قالب ONNX Saving a ML.NET Model in ONNX Format

نمایش نظرات

یادگیری ماشینی دستی برای توسعه دهندگان دات نت [ویدئو]
جزییات دوره
2 h 47 m
31
Packtpub Packtpub
(آخرین آپدیت)
1
5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karl Tillström Karl Tillström

کارل تیلسترم از دوران کودکی علاقه زیادی به ساختن رایانه‌ها برای انجام کارهای شگفت‌انگیز داشته است و به شدت تحت تأثیر امکانات جادویی است که می‌توانید با استفاده از برنامه‌نویسی ایجاد کنید. این امر باعث پیشرفت در یادگیری ماشین و هوش مصنوعی جام مقدس او می شود. از زمانی که در سال 2007 اولین کلاس خود را در زمینه شبکه‌های عصبی مصنوعی گذراند، با ساخت انواع چیزها، از پیش‌بینی قیمت بیت‌کوین گرفته تا گوموکوی خودآموز با هوش مصنوعی، یادگیری ماشین را آزمایش کرد. کارل یک مهندس نرم‌افزار و معمار سیستم با بیش از 15 سال تجربه حرفه‌ای در .Net است که طیف گسترده‌ای از سیستم‌ها را از چک-این‌های تلفن همراه خطوط هوایی گرفته تا سیستم‌های پرداخت آنلاین می‌سازد. او با انگیزه اشتیاق خود، مدرک کارشناسی ارشد خود را در رشته علوم و مهندسی کامپیوتر در دانشگاه فناوری چالمرز، یک دانشگاه برتر در سوئد، گرفت. او را دنبال کنید و بیشتر بدانید: https://www.machinelearningfordevelopers.com.