Kursplan

Övervakat lärande: klassificering och regression

    Maskininlärning i Python: introduktion till scikit-learn API:et linjära och logistiska regressionsstöd för vektor maskinneurala nätverk random skog
Att sätta upp en övervakad inlärningspipeline från början till slut med hjälp av scikit-learn som arbetar med datafiler
  • imputering av saknade värden
  • hantera kategoriska variabler
  • visualisera data
  • Python ramverk för för AI-applikationer:
  • TensorFlow, Theano, Caffe och Keras AI i skala med Apache Spark: Mlib

      Avancerade neurala nätverksarkitekturer

    faltningsneurala nätverk för bildanalys återkommande neurala nätverk för tidsstrukturerade data den långa korttidsminnescellen

      Oövervakat lärande: klustring, upptäckt av anomali

    implementera principal komponentanalys med scikit-learn implementera autoencoders i Keras

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

    bildanalys prognoser komplexa finansiella serier, såsom aktiekurser, komplex mönsterigenkänning naturligt språkbehandling rekommenderade system

      Förstå begränsningar hos AI-metoder: felmetoder, kostnader och vanliga svårigheter

    överanpassad bias/varians avvägningsbias i observationsdata neurala nätverksförgiftning

      Tillämpat projektarbete (valfritt)

    Krav

    Det finns inga specifika krav som krävs för att gå denna kurs.

      28 timmar
     

    Antal deltagare


    Starts

    Ends


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Vittnesmål (2)

    Relaterade Kurser

    Relaterade Kategorier