Choose Optimal Data Structures for ML

Yetersiz veri yapısı seçimi, ML performans darboğazlarının %60'ına neden olur ve bu da mimari seçimlerini son derece kritik hale getirir. Bu kurs, Java geliştiricilerini kurumsal ölçekteki veri kümelerini işleyen yüksek performanslı ML veri işleme sistemleri oluşturmaları için donatır. Diziler, hash map'ler, ağaçlar, heap'ler, grafikler ve trie yapılarının uygulamalı entegrasyonu sayesinde, basit yaklaşımlara kıyasla ölçülebilir 2 ila 10 kat iyileşme sağlayan performans optimizasyon tekniklerinde uzmanlaşacaksınız. Weka, Smile ve DL4J dahil olmak üzere Java ML çerçeveleriyle sorunsuz bir şekilde entegre olan segment ağaçları ve seyrek matrisler (sparse matrices) gibi gelişmiş yapıları kullanarak ölçeklenebilir çözümler tasarlayacaksınız. Etkileşimli performans kıyaslama (benchmarking) laboratuvarları; bellek optimizasyonu zorlukları, eşzamanlı erişim modelleri ve kurumsal kısıtlamalar altındaki ölçekleme darboğazları dahil olmak üzere gerçek üretim senaryolarını simüle eder. Bu kurs, veri yapıları hakkındaki anlayışını güçlendirmek ve ML iş akışlarının performansını artırmak isteyen yazılım geliştiricileri, veri bilimcileri ve yapay zeka mühendisleri için idealdir. Ayrıca yazılım mimarisi, algoritma tasarımı veya ML sistem optimizasyonu gibi ileri düzey rollere hazırlanan öğrenciler için de değerlidir. Öğrencilerin temel düzeyde Python programlama bilgisine sahip olması gerekir.