Kursplan
Införandet
Att skapa en arbetsmiljö
Översikt över AutoML Funktioner
Hur AutoML Utforskar algoritmer
- Gradient Boosting Machines (GBM), Random Forests, GLM, etc.
Lösa problem efter användningsfall
Lösa problem efter träningsdatatyp
Överväganden om datasekretess
Kostnadsöverväganden
Förbereda data
Arbeta med numeriska och kategoriska data
- IID-tabelldata (H2O AutoML, auto-sklearn, TPOT)
Arbeta med tidsberoende data (tidsseriedata)
Klassificera råtext
Klassificera råbildsdata
- Deep Learning och Neural Architecture Search (TensorFlow, PyTorch, Auto-Keras, etc.)
Distribuera en AutoML-metod
En titt på algoritmerna inuti AutoML
Sammanfoga olika modeller
Felsökning
Sammanfattning och slutsats
Krav
- Erfarenhet av maskininlärningsalgoritmer.
- Python eller R programmeringserfarenhet.
Publik
- Dataanalytiker
- Dataforskare
- Dataingenjörer
- Utvecklare
Vittnesmål (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete