توانایی در اجرای یادگیری ماشینی در++ C، شرایط مطلوبی جهت استخدام برای شما فراهم خواهد کرد. این به این معنا نیست که دانستن زبان های دیگر مفید نیست، اما حقیقت این است که یادگیری ماشینی در C++  ترکیبی عالی است که به احتمال زیاد موقعیت های بسیار خوبی را در دسترس شما قرار خواهد داد.

در این دوره، ما بر بخش عملی یادگیری ماشین با استفاده از کتابخانه های مختلف C++  تمرکز می کنیم. چندین کتابخانه محبوب یادگیری ماشینی وجود دارد که آنها را مرور کرده و شما را  با چهار مورد از آنها آشنا خواهیم کرد. ما از نمونه هایی از الگوریتم های استاندارد یادگیری که از طریق کتابخانه ها پیاده سازی می شوند، استفاده می کنیم. در خاتمه نکاتی ارئه می شوند که به شما در انتخاب کتابخانه، بسته به شرایط مورد نیاز، کمک خواهد کرد.

مطالعه این دوره نه تنها به شما در آشنایی با کتابخانه های یادگیری ماشینی موجود کمک خواهد کرد بلکه مشکلات پیچیده در مورد یادگیری ماشینی را نیز حل می کند. تمام کدها و فایل های پشتیبان این دوره در Github در https://github.com/PacktPublishing/Introduction-to-Machine-Learning-C-Libraries در دسترس هستند.

در این دوره، شما در مورد کتابخانه های محبوب یادگیری ماشینی خواهید آموخت و همچنین نحوه ی انتخاب یک کتابخانه کامل را برای یک مشکل منتخب بررسی خواهید کرد.

  • شناخت کتابخانه ها و پایگاه داده باز
  • مروری اجمالی بر دوره
  • مروری بر کتابخانه های محبوب ++ML C
  • پایگاه داده قابل دسترس
  • پایگاه داده برای سناریوهای مختلف
  • پیاده سازی با Shark
  • تنظیم محیط/ مشخصات کتابخانه های مختصر Shark
  • پیاده سازی رگرسیون خطی با Shark
  • کتابخانه مخصوص برنامه های کمکی و ویژگی های Shark
  • پیاده سازی با MLPACK
  • تنظیم محیط/ مشخصات کتابخانه های مختصر MLPACK
  • پیاده سازی K-Means با MLPACK
  • کتابخانه مخصوص برنامه های کمکی و ویژگی های MLPACK
  • پیاده سازی با Dlib
  • تنظیم محیط/ مشخصات کتابخانه های مختصر Dlib
  • پیاده سازی K-Means با Dlib
  • کتابخانه مخصوص برنامه های کمکی و ویژگی های Dlib
  • پیاده سازی با OpenCV
  • تنظیم محیط/ مشخصات کتابخانه های مختصر OpenCV
  • پیاده سازی K-Means با OpenCV
  • کتابخانه مخصوص برنامه های کمکی و ویژگی های OpenCV
  • خلاصه
  • مقایسه کتابخانه ها
  • کدام کتابخانه را انتخاب کنم؟