پیشنهاد فرادرس

دستورالعمل های یادگیری عمیق (Deep Learning) با آپاچی اسپارک (Apache Spark)

دسته بندی ها: هوش مصنوعی ، آموزش های Packtpub ، آموزش تنسورفلو (TensorFlow) ، یادگیری عمیق (Deep Learning) ، آموزش آپاچی اسپارک (Apache Spark)

با دستیابی یادگیری عمیق، به عنوان جریان اصلی در صنایع مدرن امروز، سازمان ها به دنبال راه هایی برای متحد کردن ابزارهای داده های کلان، با کتابخانه های کارآمد یادگیری عمیق می باشند. در نتیجه، به کمک این کتابخانه ها، مدل های یادگیری عمیق می توانند با راندمان و سرعت بیشتری آموزش ببیند.

این دوره ویدئویی، با توضیح روند توسعه یک شبکه عصبی از ابتدا، با استفاده از کتابخانه های یادگیری عمیق مانند Tensorflow یا Keras آغاز می شود. این دوره بر مشکلات شبکه های عصبی پیچیده تمرکز دارد. ما تماس های بخش آتش نشانی را با خدمات یادگیری ماشین در چارچوب یارانش ابری اسپارک (Spark ML) و هزینه های بازار سهام اپل با شبکه های عصبی از نوع حافظه طولانی کوتاه-مدت (LSTM)، پیش بینی می کنیم. ما مراحل انجام شده برای طبقه بندی داده های مکالمه های chatbot برای تشدید، بازبینی خواهیم کرد. در پایان این دوره ویدیویی، شما به دانش اولیه در باره چارچوب رایانش توزیع‌ شده و متن ‌باز آپاچی اسپارک (Apache Spark) دست خواهید یافت. مجموعه کد های این دوره آموزشی در این صفحه قایل دسترس است.

سبک و رهیافت دوره

این دوره شامل راه حل های عملی و آسان برای درک چگونگی پیاده سازی کتابخانه های یادگیری عمیق رایج، مانند TensorFlow و Keras برای آموزش مدل های یادگیری عمیق در Apache Spark، بدون کاستن از مباحث تئوری می باشد.

مباحث دوره:

  • ایجاد یک شبکه عصبی در اسپارک (Spark)
  • بررسی اجمالی دوره
  • ایجاد یک قاب داده (DataFrame) در Pyspark
  • دستکاری ستون ها در قاب داده (DataFrame) در Pyspark
  • تبدیل PySparkdataframe به آرایه
  • مصور سازی یک آرایه در یک نمودار نقطه ای (Scatterplot)
  • تنظیم وزن و ارزش ها برای ورود به شبکه عصبی
  • نرمال ‌سازی داده های ورودی برای شبکه عصبی
  • اعتبارسنجی آرایه برای بهینه کردن عملکرد شبکه عصبی
  • تنظیم تابع فعال ‌سازی (Activation Function) با تابع Sigmoid
  • ایجاد تابع مشتق سیگموئید
  • محاسبه تابع هزینه در یک شبکه عصبی
  • پیش بینی جنسیت بر اساس قد و وزن
  • مصور سازی نمرات پیش بینی
  • مشکلات شبکه های عصبی فشرده
  • مشکل شماره 1: وارد کردن تصاویر MNIST
  • مشکل 2: تجسم تصاویر MNIST
  • مشکل 3: گرفتن خروجی از تصاویر MNIST به عنوان فایل
  • مشکل 4: افزایش تصاویر MNIST
  • مشکل 5: استفاده از منابع جایگزین برای تصاویر آموزش دیده
  • مشکل 6: اولویت بندی کتابخانه های سطح بالا برای CNNs
  • پیش بینی تماس های آتش نشانی با Spark ML
  • دانلود مجموعه داده های تماس های اداره آتش نشانی سان فرانسیسکو
  • شناسایی متغیر هدف مدل رگرسیون لجستیک
  • آماده سازی متغیرهای ویژگی برای مدل رگرسیون لجستیک
  • استفاده از مدل رگرسیون لجستیک
  • ارزیابی دقت مدل رگرسیون لجستیک
  • پردازش زبان طبیعی با TF-IDF
  • دانلود و تجزیه و تحلیل مجموعه داده ها در بخش ربات درمان
  • مصور سازی شمارش کلمات در مجموعه داده
  • محاسبه تحلیل احساسات(Sentiment Analysis) متن
  • حذف کلمات بازدارنده یا ایست واژه ها از متن
  • آموزش و ارزیابی عملکرد مدل TF-IDF
  • مقایسه عملکرد مدل با یک امتیاز مبنا
  • پیش بینی هزینه بازار سهام اپل با LSTM
  • دانلود اطلاعات بازار سهام برای اپل
  • بررسی و مصور سازی اطلاعات بازار سهام برای اپل
  • آماده سازی داده های سهام برای عملکرد مدل
  • ساخت مدل LSTM
  • ارزیابی مدل
Apache Spark Deep Learning Recipes [Video] Publisher:Packtpub Author:Ahmed Sherif Duration:1 hour 49 minutes

Over 35 videos that streamline deep learning in a distributed environment with Apache Spark
With deep learning gaining rapid mainstream adoption in modern-day industries, organizations are looking for ways to unite popular big data tools with highly efficient deep learning libraries. As a result, this will help deep learning models train with higher efficiency and speed. This video course start offs by explaining the process of developing a neural network from scratch using deep learning libraries such as Tensorflow or Keras. It focuses on the pain points of convolution neural networks. We’ll predict fire department calls with Spark ML and Apple stock market cost with LSTM. We’ll walk you through the steps to classify chatbot conversation data for escalation.By the end of the video course, you'll have all the basic knowledge about apache spark.The code bundle for this video course is available at https://github.com/PacktPublishing/Apache-Spark-Deep-Learning-Recipes
Style and Approach
This course includes practical, easy-to-understand solutions on how you can implement the popular deep learning libraries such as TensorFlow and Keras to train your deep learning models on Apache Spark, without getting bogged down in theory.
Released: Wednesday, October 31, 2018
Creating a Neural Network in Spark
The Course overview
Creating a Dataframes in Pyspark
Manipulating Columns in a Pyspark Dataframes
Converting a PySparkdataframe to an array
Visualizing an Array in a Scatterplot
Setting up Weights and Biases for Input into the Neural Network
Normalizing the Input Data for the Neural Network
Validating Array for Optimal Neural Network Performance
Setting up the Activation Function with Sigmoid
Creating the Sigmoid Derivative Function
Calculating the Cost Function in a Neural Network
Predicting Gender based on Height and Weight
Visualizing Prediction Scores
Pain Points of Convolutional Neural Networks
Pain Point #1: Importing MNIST Images
Pain Point #2: Visualizing MNIST Images
Pain Point #3: Exporting MNIST Images as Files
Pain Point #4: Augmenting MNIST Images
Pain Point #5: Utilizing Alternate Sources for Trained Images
Pain Point #6: Prioritizing High-Level Libraries for CNNs
Predicting Fire Department Calls with Spark ML
Downloading the San Francisco Fire Department Calls Dataset
Identifying the Target Variable of the Logistic Regression Model
Preparing Feature Variables for the Logistic Regression Model
Applying the Logistic Regression Model
Evaluating the Accuracy of the Logistic Regression Model
Natural Language Processing with TF-IDF
Downloading and Analyzing the Therapy Bot Session Dataset
Visualizing Word Counts in the Dataset
Calculating Sentiment Analysis of Text
Removing Stop Words from the Text
Training and Evaluating TF-IDF Model Performance
Comparing Model Performance to a Baseline Score
Predicting Apple Stock Market Cost with LSTM
Downloading Stock Market Data for Apple
Exploring and Visualizing Stock Market Data for Apple
Preparing Stock Data for Model Performance
Building the LSTM Model
Evaluating the Model

پیشنهاد فرادرس