لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش 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
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
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.
نمایش نظرات