Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Introducere în învățarea aplicată Machine Learning
- Învățarea statistică vs. Învățarea mecanică
- Iterare și evaluare
- Echilibrul bias-varianță
- Învățarea supravegheată vs. nesupravegheată
- Probleme rezolvate cu Machine Learning
- Train Validation Test - Flux de lucru ML pentru a evita supraajustarea
- Fluxul de lucru al Machine Learning
- Algoritmi de învățare automată
- Alegerea algoritmului adecvat pentru problemă
Evaluarea algoritmului
- Evaluarea predicțiilor numerice
- Măsuri de acuratețe: ME, MSE, RMSE, MAPE
- Stabilitatea parametrilor și a predicțiilor
- Evaluarea algoritmilor de clasificare
- Precizia și problemele sale
- Matricea confuziei
- Problema claselor neechilibrate
- Vizualizarea performanței modelului
- Curba de profit
- Curba ROC
- Curba de ridicare
- Selectarea modelului
- Reglarea modelului - strategii de căutare în grilă
Pregătirea datelor pentru modelare
- Importul și stocarea datelor
- Înțelegerea datelor - explorări de bază
- Manipularea datelor cu ajutorul bibliotecii pandas
- Transformări de date - Wrangling de date
- Analiza exploratorie
- Observații lipsă - detectare și soluții
- Valori aberante - detectare și strategii
- Standarizare, normalizare, binarizare
- Recodificarea calitativă a datelor
Algoritmi de învățare automată pentru detectarea valorilor aberante
- Algoritmi supervizați
- KNN
- Ansamblu Gradient Boosting
- SVM
- Algoritmi nesupravegheați
- Metode bazate pe distanță
- Metode bazate pe densitate
- Metode probabilistice
- Metode bazate pe model
Înțelegerea Deep Learning
- Prezentare generală a conceptelor de bază ale Deep Learning
- Diferențierea între Machine Learning și Deep Learning
- Prezentare generală a aplicațiilor pentru Deep Learning
Prezentare generală a Neural Networks
- Ce sunt Neural Networks
- Neural Networks vs modele de regresie
- Înțelegerea fundamentelor Mathematical și a mecanismelor de învățare
- Construirea unei rețele neuronale artificiale
- Înțelegerea nodurilor și conexiunilor neuronale
- Lucrul cu neuronii, straturile și datele de intrare și ieșire
- Înțelegerea perceptronilor cu un singur strat
- Diferențe între învățarea supravegheată și cea nesupravegheată
- Învățarea feedforward și feedback Neural Networks
- Înțelegerea propagării înainte și a propagării înapoi
Construirea de modele Deep Learning simple cu Keras
- Crearea unui model Keras
- Înțelegerea datelor dvs.
- Specificarea modelului Deep Learning
- Compilarea modelului dvs.
- Ajustarea modelului dvs.
- Lucrul cu datele de clasificare
- Lucrul cu modelele de clasificare
- Utilizarea modelelor dvs.
Lucrul cu TensorFlow pentru Deep Learning
- Pregătirea datelor
- Descărcarea datelor
- Pregătirea datelor de antrenament
- Pregătirea datelor de testare
- Scalarea intrărilor
- Utilizarea marcajelor de poziție și a variabilelor
- Specificarea arhitecturii rețelei
- Utilizarea funcției de cost
- Utilizarea optimizatorului
- Utilizarea inițializatorilor
- Ajustarea rețelei neuronale
- Construirea grafului
- Inferența
- Pierderi
- Pregătirea
- Formarea modelului
- Graficul
- Sesiunea
- Bucla de formare
- Evaluarea modelului
- Construirea graficului de evaluare
- Evaluarea cu rezultatul Eval
- Formarea modelelor la scară largă
- Vizualizarea și evaluarea modelelor cu TensorBoard
Aplicarea Deep Learning în detectarea anomaliilor
- Autoencoder
- Arhitectura codificatorului - decodificatorului
- Pierderi de reconstrucție
- Autoencoder variațional
- Inferență variațională
- Rețea adversarială generativă
- Arhitectura Generator - Discriminator
- Abordări ale AN utilizând GAN
Cadre de ansamblu
- Combinarea rezultatelor din diferite metode
- Bootstrap Agregare
- Calcularea mediei scorurilor aberante
Cerințe
- Experiență cu programarea Python
- Familiaritate de bază cu statisticile și conceptele matematice
Audiență
- Dezvoltatori
- Oameni de știință în domeniul datelor
28 ore
Mărturii (5)
Formarea a oferit o prezentare interesantă a modelelor de învățare profundă și a metodelor conexe. Subiectul era destul de nou pentru mine, dar acum simt că am o idee despre ce pot implica AI și ML, în ce constau acești termeni și cum pot fi utilizați în mod avantajos. În general, mi-a plăcut abordarea de a începe cu contextul statistic și cu modelele de învățare de bază, cum ar fi regresia liniară, punând în special accentul pe exercițiile intermediare.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Anna a întrebat mereu dacă avem întrebări și a încercat mereu să ne facă să fim mai activi, punând întrebări, ceea ce ne-a făcut pe toți să ne implicăm cu adevărat în formare.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Mi-a plăcut modul în care este îmbinat cu practicile.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Experiența / cunoștințele vaste ale formatorului
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
VM este o idee bună
Vincent - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
