Hodnocení:
Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 2 hlasů.
Practical Java Machine Learning: Projects with Google Cloud Platform and Amazon Web Services
1. Úvod Nastavení IDE - Eclipse Nastavení IDE - Android Studio Nastavení Javy Výkonnost strojového učení s Javou Význam analytických iniciativ Firemní cíle ML Obchodní důvody pro nasazení ML Obavy z nasazení strojového učení Vývoj metodiky ML Současný stav techniky: Monitorování Výzkumné práce.
2. Data: Předběžné zpracování dat Databáze JSON a NoSQL Soubory ARFF a CSV Vyhledávání veřejných dat Vytváření vlastních dat Vizualizace dat pomocí Javy + Javascriptu Projekt. 2: DataViz.
3. Využití cloudových platforem Google Cloud Platform Amazon AWS Využití rozhraní API pro strojové učení Projekt: GCP API Využití cloudových platforem k vytváření modelů.
4. Algoritmy: Přehled algoritmů Supervised Learning Unsupervised Learning Lineární modely pro predikci a klasifikaci Naive Bayes pro klasifikaci dokumentů Shlukování Rozhodovací stromy Výběr správného algoritmu Vytvoření konkurenční výhody.
5. Přehled prostředí pro strojové učení v Javě Výběr prostředí Java Hluboký ponor: Weka Workbench Schopnosti Weka Doplňky Weka Přehled projektu Rapidminer: Klasifikace dokumentů pomocí nástroje Weka.
6. Integrace modelů.
© Book1 Group - všechna práva vyhrazena.
Obsah těchto stránek nesmí být kopírován ani použit, a to ani částečně ani úplně, bez písemného svolení vlastníka.
Poslední úprava: 2024.11.08 20:25 (GMT)