Kursplan

Översikt över AI i Python

  • Kärnkoncept och omfattning av AI
  • Python bibliotek för AI-utveckling
  • AI-projektstruktur och arbetsflöde

Datapreparation för AI

  • Rensning, transformation och feature engineering
  • Hantering av saknad och obalanserad data
  • Feature skalning och kodning

Supervised Learning tekniker

  • Regression- och klassificeringsalgoritmer
  • Ensemble-metoder: Random Forest, Gradient Boosting
  • Hyperparameterjustering och korsvalidering

Unsupervised Learning tekniker

  • Klusteringsmetoder: K-Means, DBSCAN, hierarchisk klustring
  • Dimensionalitetsreduktion: PCA, t-SNE
  • Användningsfall för oövervakad inlärning

Neural Networks och Deep Learning

  • Introduktion till TensorFlow och Keras
  • Byggande och träning av feedforward neurala nätverk
  • Optimering av neuralt nätverksprestanda

Reinforcement Learning (Intro)

  • Kärnkoncept av agenter, miljöer och belöningar
  • Implementering av grundläggande förstärkningsinlärningsalgoritmer
  • Användningsområden för förstärkningsinlärning

Distribuera AI-modeller

  • Spara och ladda in tränade modeller
  • Integra modeller i applikationer via APIs
  • Övervaka och underhålla AI-system i produktionen

Sammanfattning och nästa steg

Krav

  • Solid förståelse för Python programmeringsgrundprinciper
  • Erfarenhet av datalägebibliotek såsom NumPy och pandas
  • Grundläggande kunskap om maskininlärningskoncept och algoritmer

Målgrupp

  • Programmerare som vill utöka sina AI-utvecklingsskills
  • Dataanalytiker som vill tillämpa AI-tekniker på komplexa datamängder
  • Forskare och utvecklare som bygger AI-kraftiga applikationer
 35 timmar

Antal deltagare


Price per participant

Vittnesmål (3)

Upcoming Courses

Relaterade Kategorier