آموزش تجزیه و تحلیل پیش بینی با PyTorch

Predictive Analytics with PyTorch

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره شامل استفاده از PyTorch برای ساخت مدل های مختلف پیش بینی ، استفاده از شبکه های عصبی تکرار شونده ، نورون های حافظه طولانی در پیش بینی متن ، و ارزیابی آنها با استفاده از متریک معروف به میانگین میانگین دقیق @ K.PyTorch است که به سرعت به عنوان یک گزینه محبوب برای ساخت مدل های یادگیری عمیق به دلیل انعطاف پذیری ، سهولت استفاده و پشتیبانی داخلی برای سخت افزارهای بهینه شده مانند GPU. در این دوره ، Predictive Analytics with PyTorch ، نحوه ساخت مدل های پیش بینی را برای موارد مختلف استفاده ، براساس داده هایی که در دسترس دارید و ماهیت خاص پیش بینی که می خواهید انجام دهید ، خواهید دید. ابتدا با یادگیری نحوه ساخت مدل رگرسیون خطی با استفاده از لایه های متوالی شروع خواهید کرد. در مرحله بعدی ، شما نحوه استفاده از شبکه های عصبی راجعه (RNN) برای گرفتن روابط متوالی در داده های متنی را کشف خواهید کرد. سپس ، چنین RNN را روی مسئله تولید نام ها اعمال خواهید کرد - نمونه ای معمولی از نوع مدل پیش بینی که در آن یادگیری عمیق ، روش های سنتی پردازش زبان طبیعی را از بین می برد. سرانجام ، خواهید دید که چگونه می توان یک سیستم توصیه را از چند طریق مختلف پیاده سازی کرد - با تکیه بر تکنیک هایی مانند فیلتر مبتنی بر محتوا ، فیلتر مشارکتی و همچنین روش های ترکیبی. هنگامی که با این دوره به پایان رسیدید ، مهارت ساخت ، ارزیابی و استفاده از مجموعه گسترده ای از مدل های پیش بینی در PyTorch را خواهید داشت ، از رگرسیون ، تا طبقه بندی و در نهایت به سیستم های پیشنهادی.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

پیاده سازی تجزیه و تحلیل پیش بینی با داده های عددی Implementing Predictive Analytics with Numeric Data

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • مدل های ساختاری و پیش بینی Structural and Predictive Models

  • نسخه ی نمایشی: Pytorch را نصب و راه اندازی کنید Demo: Install and Setup Pytorch

  • نسخه ی نمایشی: آماده سازی داده ها Demo: Preparing Data

  • نسخه ی نمایشی: ساخت یک شبکه عصبی ساده برای انجام رگرسیون Demo: Building a Simple Neural Network to Perform Regression

  • نسخه ی نمایشی: کاوش مجموعه داده های الماس Demo: Exploring the Diamonds Dataset

  • نسخه ی نمایشی: آماده سازی و پردازش داده ها Demo: Preparing and Processing Data

  • نسخه ی نمایشی: ساخت و آموزش مدل رگرسیون Demo: Building and Training a Regression Model

  • نسخه ی نمایشی: کاوش و پیش پردازش داده ها Demo: Exploring and Preprocessing Data

  • نسخه ی نمایشی: تعریف شبکه عصبی و توابع کمکی Demo: Defining the Neural Network and Helper Functions

  • نسخه ی نمایشی: ساخت و آموزش شبکه های عصبی سفارشی برای طبقه بندی Demo: Building and Training Custom Neural Networks for Classification

پیاده سازی تجزیه و تحلیل پیش بینی با داده های متنی Implementing Predictive Analytics with Text Data

  • متن را به عنوان داده های متوالی ارسال کنید Text as Sequential Data

  • نورون عود کننده The Recurrent Neuron

  • آموزش RNN و سلولهای حافظه طولانی RNN Training and Long Memory Cells

  • RNN برای ایجاد نام در زبانها RNN to Generate Names in Languages

  • نسخه ی نمایشی: بارگیری و آماده سازی داده های آموزش Demo: Loading and Preparing Training Data

  • نسخه ی نمایشی: تنظیم عملکردهای کمکی Demo: Setting up Helper Functions

  • نسخه ی نمایشی: تعریف RNN Demo: Defining the RNN

  • نسخه ی نمایشی: آموزش RNN و تولید نام Demo: Training the RNN and Generating Names

پیاده سازی تجزیه و تحلیل پیش بینی با داده های کاربر ترجیحی Implementing Predictive Analytics with User Preference Data

  • یافتن الگوها در داده ها Finding Patterns in Data

  • انجمن قانون یادگیری Association Rule Learning

  • خوشه بندی Clustering

  • رویکردهای مبتنی بر محتوا به توصیه ها Content Based Approaches to Recommendations

  • فیلتر کردن مشارکتی Collaborative Filtering

  • نزدیکترین محله Nearest Neighborhood

  • فاکتورسازی ماتریس Matrix Factorization

  • حداقل مربعات متناوب برای تخمین ماتریس رتبه بندی Alternating Least Squares to Estimate the Ratings Matrix

  • معیارهای ارزیابی در برابر معیارهای ضرر Evaluation Metrics vs. Loss Metrics

  • میانگین میانگین دقیق @ K Mean Average Precision @ K

  • نسخه ی نمایشی: شروع اولیه ماتریس رتبه بندی Demo: Initializing the Ratings Matrix

  • نسخه ی نمایشی: راه اندازی شبکه عصبی Demo: Setting up the Neural Network

  • نسخه ی نمایشی: عملکرد کمک کننده قطار Demo: The Train Helper Function

  • نسخه ی نمایشی: ارزیابی عملکرد یاور Demo: The Evaluate Helper Function

  • نسخه ی نمایشی: ساخت و آموزش شبکه عصبی سیستم توصیه شده Demo: Building and Training the Recommendation System Neural Network

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

نظری ارسال نشده است.

آموزش تجزیه و تحلیل پیش بینی با PyTorch
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 31m
36
Pluralsight (پلورال سایت) pluralsight-small
12 اردیبهشت 1399 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
-
از 5
دارد
دارد
دارد
Janani Ravi

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.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.