Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Practical Java Machine Learning: Projects with Google Cloud Platform and Amazon Web Services
1. Wprowadzenie Konfiguracja IDE - Eclipse Konfiguracja IDE - Android Studio Konfiguracja Java Wydajność uczenia maszynowego w Javie Znaczenie inicjatyw analitycznych Korporacyjne cele uczenia maszynowego Uzasadnienie biznesowe wdrożenia uczenia maszynowego Obawy związane z uczeniem maszynowym Opracowanie metodologii uczenia maszynowego Stan techniki: Monitorowanie prac badawczych.
2. Dane: Paliwo dla uczenia maszynowego Myśl jak analityk danych Wstępne przetwarzanie danych JSON i bazy danych NoSQL Pliki ARFF i CSV Znajdowanie danych publicznych Tworzenie własnych danych Wizualizacja danych za pomocą Java + Javascript Project: DataViz.
3. Wykorzystywanie platform chmurowych Google Cloud Platform Amazon AWS Korzystanie z interfejsów API uczenia maszynowego Projekt: GCP API Wykorzystanie platform chmurowych do tworzenia modeli.
4. Algorytmy: Mózgi uczenia maszynowego Przegląd algorytmów Uczenie nadzorowane Uczenie nienadzorowane Modele liniowe do przewidywania i klasyfikacji Naiwny Bayes do klasyfikacji dokumentów Klasteryzacja Drzewa decyzyjne Wybór właściwego algorytmu Tworzenie przewagi konkurencyjnej.
5. Przegląd środowisk uczenia maszynowego Java Wybór środowiska Java: Weka Workbench Możliwości Weka Dodatki Weka Przegląd Rapidminer Projekt: Klasyfikacja dokumentów za pomocą Weka.
6. Integracja modeli.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)