Kursplan

Övervakad inlärning: klassificering och regression

  • Machine Learning i Python: introduktion till scikit-learn-API:et
    • Linjär och logistisk regression
    • Stöd vektor maskin
    • Neurala nätverk
    • Slumpmässig skog
  • Konfigurera en pipeline för övervakad inlärning från slutpunkt till slutpunkt med hjälp av scikit-learn
    • Arbeta med datafiler
    • Imputering av saknade värden
    • Hantera kategoriska variabler
    • Visualisera data

Python Ramverk för AI-tillämpningar:

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

Avancerade arkitekturer för neurala nätverk

  • Faltningsneurala nätverk för bildanalys
  • Återkommande neurala nätverk för tidsstrukturerade data
  • Den långa korttidsminnescellen

Oövervakad inlärning: klustring, avvikelseidentifiering

  • Implementera huvudkomponentanalys med scikit-learn
  • Implementera autoencoders i Keras

Praktiska exempel på problem som AI kan lösa (praktiska övningar med Jupyter Notebooks), t.ex. 

  • Bildanalys
  • prognostisering av komplexa finansiella serier, såsom aktiekurser,
  • Komplex mönsterigenkänning
  • Behandling av naturligt språk
  • System för rekommenderade användare

Förstå begränsningarna med AI-metoder: felsätt, kostnader och vanliga svårigheter

  • Överanpassning
  • Avvägning mellan bias och varians
  • Bias i observationsdata
  • Förgiftning av neurala nätverk

Tillämpat projektarbete (valfri)

Krav

Det finns inga särskilda krav som krävs för att delta i denna kurs.

 28 timmar

Antal deltagare


Price per participant

Vittnesmål (2)

Upcoming Courses

Relaterade Kategorier