Course Outline

  1. Διανομή κάτω από μεγάλα δεδομένα
    1. Μέθοδος εξόρυξης δεδομένων (εκπαίδευση μεμονωμένης μηχανής + κατανεμημένη πρόβλεψη: παραδοσιακός αλγόριθμος μηχανικής μάθησης + κατανεμημένη πρόβλεψη Mapreduce,)
    2. Apache SparkMLlib
  2. Συστάσεις και ακριβής διαφήμιση:
    1. μέρος φυσικής γλώσσας
    2. Ομαδοποίηση κειμένων, ταξινόμηση κειμένου (ετικέτες), συνώνυμα
    3. Επαναφορά προφίλ χρήστη, σύστημα ετικετών
    4. Στρατηγικές αλγορίθμων σύστασης
    5. Ανύψωση μεταξύ τάξεων, ανύψωση εντός τάξεων, πώς να είμαστε ακριβείς
    6. Πώς να δημιουργήσετε έναν κλειστό βρόχο για αλγόριθμους συστάσεων
  3. Logistic regression, RankingSVM,
  4. Αναγνώριση χαρακτηριστικών: (Deep Learning και Automatic Feature Recognition of Graphics)
  5. φυσική γλώσσα
    1. Τμηματοποίηση κινεζικών λέξεων
    2. Μοντέλο θέματος (ομαδοποίηση κειμένου)
    3. Ταξινόμηση κειμένων
    4. Εξαγωγή λέξεων-κλειδιών
    5. Σημασιολογική ανάλυση σημασιολογικός αναλυτής, διάνυσμα word2vec σε λέξη
    6. RNN Αρχιτεκτονική μακροπρόθεσμης μνήμης (TSTM).
 21 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories