Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduktion till tillämpad Machine Learning
- Statistisk inlärning jämfört med maskininlärning
- Iteration och utvärdering
- Avvägning mellan bias och varians
- Övervakad kontra oövervakad inlärning
- Problem lösta med Machine Learning
- Träna valideringstest – ML-arbetsflöde för att undvika överanpassning
- Arbetsflöde för Machine Learning
- Algoritmer för maskininlärning
- Välja lämplig algoritm för problemet
Utvärdering av algoritmer
- Utvärdera numeriska förutsägelser
- Mått på noggrannhet: ME, MSE, RMSE, MAPE
- Parameter- och prediktionsstabilitet
- Utvärdera klassificeringsalgoritmer
- Noggrannhet och dess problem
- Matrisen för förvirring
- Problem med obalanserade klasser
- Visualisera modellens prestanda
- Vinstkurva
- ROC-kurva
- Lyft kurva
- Val av modell
- Modelljustering – strategier för rutnätssökning
Förberedelse av data för modellering
- Import och lagring av data
- Förstå data – grundläggande utforskningar
- Datamanipulering med Pandas-biblioteket
- Dataomvandlingar – Datavrängning
- Undersökande analys
- Saknade observationer – upptäckt och lösningar
- Outliers – upptäckt och strategier
- Standardisering, normalisering, binarisering
- Kvalitativ omkodning av data
Maskininlärningsalgoritmer för identifiering av extremvärden
- Övervakade algoritmer
- KNN (KNN)
- Förstärkning av ensemblens gradient
- SVM (på engelska)
- Oövervakade algoritmer
- Avståndsbaserad
- Densitetsbaserade metoder
- Probabilistiska metoder
- Modellbaserade metoder
Förstå Deep Learning
- Översikt över de grundläggande begreppen i Deep Learning
- Skilja mellan Machine Learning och Deep Learning
- Översikt över applikationer för Deep Learning
Översikt över Neural Networks
- Vad är Neural Networks
- Neural Networks jämfört med regressionsmodeller
- Att förstå Mathematical Grunder och inlärningsmekanismer
- Konstruera ett artificiellt neuralt nätverk
- Förstå neurala noder och anslutningar
- Arbeta med neuroner, lager och indata och utdata
- Förstå Perceptroner med ett lager
- Skillnader mellan övervakad och oövervakad inlärning
- Feedforward och feedback för inlärning Neural Networks
- Förstå framåt- och bakåtutbredning
Bygga enkla Deep Learning modeller med Keras
- Skapa en Keras modell
- Förstå dina data
- Ange din Deep Learning modell
- Kompilera din modell
- Passar din modell
- Arbeta med dina klassificeringsdata
- Arbeta med klassificeringsmodeller
- Använda dina modeller
Arbeta med TensorFlow för Deep Learning
- Förbereda data
- Ladda ner data
- Förbereda träningsdata
- Förbereda testdata
- Skalning av indata
- Använda platshållare och variabler
- Ange nätverksarkitekturen
- Använda kostnadsfunktionen
- Använda optimeraren
- Använda initierare
- Anpassning av det neurala nätverket
- Bygga grafen
- Slutsats
- Förlust
- Träning
- Träna modellen
- Grafen
- Sessionen
- Tågslinga
- Utvärdera modellen
- Bygga Eval-grafen
- Utvärdera med Eval Output
- Träningsmodeller i stor skala
- Visualisera och utvärdera modeller med TensorBoard
Tillämpning av Deep Learning vid avvikelseidentifiering
- Autoencoder (automatisk kodare)
- Kodare - Avkodare Arkitektur
- Förlust i återuppbyggnaden
- Variationell Autencoder
- Variationell inferens
- Generativt kontradiktoriskt nätverk
- Generator – Arkitektur för diskriminatorer
- Metoder för AN med hjälp av GAN
Ramverk för ensemble
- Kombinera resultat från olika metoder
- Bootstrap Sammanställning
- Medelvärde för extremvärdespoäng
Krav
- Erfarenhet av Python programmering
- Grundläggande förtrogenhet med statistik och matematiska begrepp
Publik
- Utvecklare
- Datavetare
28 timmar
Vittnesmål (5)
Utbildningen gav en intressant översikt över djupinlärningsmodeller och relaterade metoder. Ämnet var ganska nytt för mig, men nu känner jag att jag faktiskt har en uppfattning om vad AI och ML kan innebära, vad dessa begrepp består av och hur de kan användas med fördel. I allmänhet gillade jag tillvägagångssättet att börja med den statistiska bakgrunden och de grundläggande inlärningsmodellerna, såsom linjär regression, särskilt med betoning på övningarna däremellan.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Anna frågade alltid om det fanns frågor, och försökte alltid göra oss mer aktiva genom att ställa frågor, vilket gjorde att vi alla verkligen engagerade i träningen.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Jag gillade hur det blandas med övningarna.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Tränarens omfattande erfarenhet/kunskap
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
VM är en trevlig idé
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated