Kursplan

Introduktion och miljöinställning

  • Vad är AutoML och varför det är viktigt
  • Installation av Python- och R-miljöer
  • Konfiguration av fjärrdator och molnmiljöer

Utforska AutoML-funktioner

  • Kärnkapaciteter hos AutoML-ramverk
  • Hyperparameteroptimering och sökningsstrategier
  • Tolkning av AutoML-utdata och loggar

Hur AutoML väljer algoritmer

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs
  • Neurala nätverk och djupinlärningsbackends
  • Avvägningar: noggrannhet vs. tolkningsbarhet vs. kostnad

Datapreparering och förbehandling

  • Arbete med numeriska och kategoriska data
  • Feature engineering och kodningsstrategier
  • Hantering av saknade värden och datoubalans

AutoML för olika datatyper

  • Tabulära data (H2O AutoML, auto-sklearn, TPOT)
  • Tidssekvensdata (prognos och sekventiell modellering)
  • Text och NLP-uppgifter (klassificering, känsloanalys)
  • Bildklassificering och datorseende (Auto-Keras, TensorFlow, PyTorch)

Modellplacering och övervakning

  • Export och placering av AutoML-modeller
  • Byggande av pipelines för realtidsförutsägelser
  • Övervakning av modelldrift och omträningsstrategier

Ensembling och avancerade ämnen

  • Stacking och blending av AutoML-modeller
  • Privatliv och överensstämmelse
  • Kostnadsoptimering för stor AutoML

Felsökning och fallstudier

  • Vanliga fel och hur man fixar dem
  • Tolkning av AutoML-modellprestanda
  • Fallstudier från industrifall

Sammanfattning och nästa steg

Krav

  • Erfarenhet av maskininlärningsalgoritmer
  • Programmeringserfarenhet i Python eller R

Målgrupp

  • Dataanalytiker
  • Datavetare
  • Dataingenjörer
  • Utvecklare
 14 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier