این یک برنامه لینوکس به نام Feast است که آخرین نسخه آن را می‌توانید با نسخه ۰.۵۰.۰sourcecode.tar.gz دانلود کنید. می‌توانید آن را به صورت آنلاین در ارائه دهنده خدمات میزبانی رایگان OnWorks برای ایستگاه‌های کاری اجرا کنید.
این اپلیکیشن با نام Feast with OnWorks را به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. OnWorks Linux آنلاین یا شبیه ساز آنلاین ویندوز یا شبیه ساز آنلاین MACOS را از این وب سایت راه اندازی کنید.
- 5. از سیستم عامل لینوکس OnWorks که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. اپلیکیشن را دانلود کرده، نصب و اجرا کنید.
عکس ها
Ad
جشن
شرح
Feast (فروشگاه ویژه) یک فروشگاه ویژگی منبع باز برای یادگیری ماشین است. Feast سریع ترین مسیر برای مدیریت زیرساخت های موجود برای تولید داده های تحلیلی برای آموزش مدل و استنتاج آنلاین است. با مدیریت یک فروشگاه آفلاین (برای پردازش داده‌های تاریخی برای امتیازدهی دسته‌ای یا آموزش مدل)، یک فروشگاه آنلاین با تأخیر کم (برای تقویت پیش‌بینی در زمان واقعی)، و یک ویژگی آزمایش‌شده در نبرد، ویژگی‌ها را به‌طور مداوم برای آموزش و ارائه خدمات در دسترس قرار دهید. سرور (برای ارائه ویژگی های از پیش محاسبه شده به صورت آنلاین). با ایجاد مجموعه‌های ویژگی‌های صحیح نقطه‌در زمان، از نشت داده‌ها جلوگیری کنید تا دانشمندان داده بتوانند به جای اشکال‌زدایی منطق پیوستن مجموعه داده مستعد خطا، بر مهندسی ویژگی تمرکز کنند. این تضمین می کند که مقادیر ویژگی های آینده در طول آموزش به مدل ها نشت نکند. جدا کردن ML از زیرساخت داده با ارائه یک لایه دسترسی به داده واحد که فضای ذخیره ویژگی را از بازیابی ویژگی انتزاعی می کند، اطمینان حاصل شود که مدل ها در حین حرکت از مدل های آموزشی به مدل های ارائه دهنده، از مدل دسته ای، قابل حمل باقی می مانند.
امکانات
- ویژگی‌ها را به طور مداوم برای آموزش و خدمت در دسترس قرار دهید
- با ایجاد مجموعه ویژگی‌های صحیح نقطه‌در زمان، از نشت داده‌ها جلوگیری کنید
- ML را از زیرساخت داده جدا کنید
- تعاریف ویژگی های خود را ثبت کنید و فروشگاه ویژگی خود را راه اندازی کنید
- داده های خود را در رابط کاربری وب کاوش کنید (تجربی)
- یک مجموعه داده آموزشی بسازید
زبان برنامه نویسی
پــایتــون
این برنامه ای است که می تواند از https://sourceforge.net/projects/feast.mirror/ نیز دریافت شود. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.
