Practical Java Machine Learning: Projects with Google Cloud Platform and Amazon Web Services

راه‌حل‌های یادگیری ماشین (ML) برای توسعه جاوا بسازید. این کتاب به شما نشان می دهد که هنگام طراحی برنامه های ML، داده ها محرک اصلی هستند و باید در تمام مراحل چرخه عمر پروژه در نظر گرفته شوند. یادگیری عملی ماشین جاوا به شما کمک می کند اهمیت داده ها و نحوه سازماندهی آنها را برای استفاده در پروژه ML خود درک کنید. با ابزارهایی آشنا می شوید که می توانند به شما در شناسایی و مدیریت داده های خود از جمله JSON، تجسم، پایگاه های داده NoSQL و پلتفرم های ابری از جمله Google Cloud Platform و خدمات وب آمازون کمک کنند.
آموزش عملی ماشین جاوا شامل پروژه‌های متعدد، با تمرکز ویژه بر پلتفرم موبایل اندروید و ویژگی‌هایی مانند حسگرها، دوربین و اتصال، که هر کدام داده‌هایی را تولید می‌کنند که می‌توانند راه‌حل‌های یادگیری ماشینی منحصربه‌فردی را تامین کنند. شما یاد خواهید گرفت که برنامه های مختلفی بسازید که قابلیت های API یادگیری ماشینی Google Cloud Platform را نشان می دهد، از جمله تجسم داده ها برای جاوا. طبقه بندی اسناد با استفاده از محیط Weka ML. طبقه بندی فایل های صوتی برای اندروید با استفاده از ML با داده های صوتی طیف گرا. و یادگیری ماشین با استفاده از داده‌های حسگر دستگاه.
پس از خواندن این کتاب، نمونه‌های مطالعه موردی و پروژه‌هایی را خواهید دید که می‌توانید آنها را به عنوان الگوهایی برای استفاده مجدد و کاوش برای پروژه‌های برنامه‌نویسی یادگیری ماشین خود با جاوا بردارید.< br>آنچه یاد خواهید گرفت

• داده های مورد نیاز برای پروژه های ML را شناسایی، سازماندهی و معماری کنید
  
• راه حل های ML را در ارتباط با ارائه دهندگان ابری مانند به عنوان گوگل و آمازون
  
• تعیین کنید کدام الگوریتم برای یک مشکل خاص ML مناسب ترین است
  
• اجرای راه حل های Java ML در دستگاه های تلفن همراه Android
  
• ایجاد راه حل های Java ML برای کار با داده های حسگر
  
• ساخت راه حل های مبتنی بر جریان جاوا

Build machine learning (ML) solutions for Java development. This book shows you that when designing ML apps, data is the key driver and must be considered throughout all phases of the project life cycle. Practical Java Machine Learning helps you understand the importance of data and how to organize it for use within your ML project. You will be introduced to tools which can help you identify and manage your data including JSON, visualization, NoSQL databases, and cloud platforms including Google Cloud Platform and Amazon Web Services.
Practical Java Machine Learning includes multiple projects, with particular focus on the Android mobile platform and features such as sensors, camera, and connectivity, each of which produce data that can power unique machine learning solutions. You will learn to build a variety of applications that demonstrate the capabilities of the Google Cloud Platform machine learning API, including data visualization for Java; document classification using the Weka ML environment; audio file classification for Android using ML with spectrogram voice data; and machine learning using device sensor data.
After reading this book, you will come away with case study examples and projects that you can take away as templates for re-use and exploration for your own machine learning programming projects with Java.
What You Will Learn

• Identify, organize, and architect the data required for ML projects
  
• Deploy ML solutions in conjunction with cloud providers such as Google and Amazon
  
• Determine which algorithm is the most appropriate for a specific ML problem
  
• Implement Java ML solutions on Android mobile devices
  
• Create Java ML solutions to work with sensor data
  
• Build Java streaming based solutions