Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
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