Bu, en son sürümü v0.9.3.zip olarak indirilebilen DeepCTR adlı Windows uygulamasıdır. İş istasyonları için ücretsiz barındırma sağlayıcısı OnWorks'te çevrimiçi olarak çalıştırılabilir.
DeepCTR adlı bu uygulamayı OnWorks ile ücretsiz olarak indirin ve çevrimiçi çalıştırın.
Bu uygulamayı çalıştırmak için şu talimatları izleyin:
- 1. Bu uygulamayı PC'nize indirdiniz.
- 2. Dosya yöneticimize https://www.onworks.net/myfiles.php?username=XXXXX istediğiniz kullanıcı adını girin.
- 3. Bu uygulamayı böyle bir dosya yöneticisine yükleyin.
- 4. Bu web sitesinden herhangi bir OS OnWorks çevrimiçi öykünücüsünü başlatın, ancak daha iyi Windows çevrimiçi öykünücüsü.
- 5. Yeni başlattığınız OnWorks Windows işletim sisteminden, istediğiniz kullanıcı adıyla https://www.onworks.net/myfiles.php?username=XXXXX dosya yöneticimize gidin.
- 6. Uygulamayı indirin ve kurun.
- 7. Wine'ı Linux dağıtımları yazılım havuzlarınızdan indirin. Kurulduktan sonra, Wine ile çalıştırmak için uygulamaya çift tıklayabilirsiniz. Ayrıca, popüler Windows programlarını ve oyunlarını yüklemenize yardımcı olacak Wine üzerinden gösterişli bir arayüz olan PlayOnLinux'u da deneyebilirsiniz.
Wine, Windows yazılımını Linux üzerinde çalıştırmanın bir yoludur, ancak Windows gerektirmez. Wine, Windows programlarını doğrudan herhangi bir Linux masaüstünde çalıştırabilen açık kaynaklı bir Windows uyumluluk katmanıdır. Esasen Wine, Windows'a ihtiyaç duymadan tüm bu Windows uygulamalarını çalıştırabilmesi için yeterince Windows'u sıfırdan yeniden uygulamaya çalışıyor.
EKRAN
Ad
Derin TO
TANIM
DeepCTR, özel modelleri kolayca oluşturmak için kullanılabilecek birçok temel bileşen katmanıyla birlikte, kullanımı kolay, Modüler ve Genişletilebilir bir derin öğrenme tabanlı TO modelleri paketidir. Herhangi bir karmaşık modeli model.fit() ve model.predict() ile kullanabilirsiniz. Hızlı deney için tf.keras.Model benzeri bir arayüz sağlayın. Büyük ölçekli veriler ve dağıtılmış eğitim için tensorflow tahmincisi arabirimi sağlayın. Hem tf 1.x hem de tf 2.x ile uyumludur. Derin öğrenmenin büyük başarısı ile, DNN tabanlı teknikler, TO tahmin görevinde yaygın olarak kullanılmaktadır. TO tahmin görevindeki veriler genellikle yüksek seyrek, yüksek kardinaliteye sahip kategorik özellikler ve bazı yoğun sayısal özellikler içerir. DNN, yoğun sayısal özellikleri işlemede iyi olduğundan, genellikle seyrek kategorik özellikleri, gömme tekniği yoluyla yoğun sayısal özelliklerle eşleştiririz.
Özellikler
- CCPM (Evrişimli Tıklama Tahmin Modeli)
- PNN (Ürün Tabanlı Sinir Ağı)
- FNN (Factorization-destekli Sinir Ağı)
- MLR(Karma Lojistik Regresyon/Parça Bazında Doğrusal Model)
- NFM (Sinirsel Çarpanlara Ayırma Makinesi)
- DCN (Derin ve Çapraz Ağ)
Programlama dili
Python
Kategoriler
Bu, https://sourceforge.net/projects/deepctr.mirror/ adresinden de getirilebilen bir uygulamadır. Ücretsiz İşletim Sistemlerimizden birinden en kolay şekilde çevrimiçi çalıştırılabilmesi için OnWorks'te barındırılmıştır.