Kom i kontakt

Kursplan

Övervakat lärande: klassificering och regression

  • Maskininlärning i Python: introduktion till scikit-learn-API:t
    • linjär och logistisk regression
    • stegmaskiner (support vector machine)
    • neurala nätverk
    • random forest
  • Att sätta upp en sluten pipeline för övervakat lärande med scikit-learn
    • arbete med datafiler
    • imputation av saknade värden
    • hantering av kategoriska variabler
    • visualisering av data

Python-ramverk för AI-tillämpningar:

  • TensorFlow, Theano, Caffe och Keras
  • AI i skala med Apache Spark: MLlib

Avancerade neurala nätverksarkitekturer

  • konvolutionella neurala nätverk för bildanalys
  • rekurrenta neurala nätverk för tidsseriebaserad data
  • LSTM-cellen (long short-term memory)

Oövervakat lärande: clustering och anomalidetektering

  • implementering av huvuddataanalys (PCA) med scikit-learn
  • implementering av autoencoders i Keras

Praktiska exempel på problem som AI kan lösa (hands-on-uppgifter med Jupyter-noteböcker), t.ex.

  • bildanalys
  • prognos av komplexa finansiella serier, som aktiekurs,
  • komplex mönsterigenkänning
  • naturally språkbearbetning (NLP)
  • recommender-system

Förstå begränsningarna hos AI-metoder: felmoder, kostnader och vanliga svårigheter

  • överanpassning (overfitting)
  • trade-off mellan bias och varians
  • bias i observationella data
  • giftning av neurala nätverk (neural network poisoning)

Tillämpad projektarbete (valfritt)

Krav

Det finns inga specifika förkunskapskrav för att delta i denna kurs.

 28 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier