Kursplan
Introduktion till tillämpad maskininlärning
- Statistisk inlärning jämfört med maskininlärning
- Iteration och utvärdering
- Bias-Varians-kompromissen
- Superviserad vs oaviserad inlärning
- Problemlösning med maskininlärning
- Train Validation Test – ML-flöde för att undvika överanpassning
- Arbetssätt för maskininlärning
- Algoritmer för maskininlärning
- Att välja lämplig algoritm för problemet
Algoritmutvärdering
-
Utvärdering av numeriska förutsägelser
- Noggrannhetsmått: ME, MSE, RMSE, MAPE
- Parameter- och förutsägelsestabilitet
-
Utvärdering av klassificeringsalgoritmer
- Noggrannhet och dess problem
- Den falska matrisen
- Obalanserat klassproblem
-
Visualisering av modellprestanda
- Vinstkurva
- ROC-kurva
- Lyftkurva
- Modellval
- Modellinställning – rumsökningsstrategier
Dataförberedelse för modellering
- Dataimport och lagring
- Förstå data – grundläggande utforskning
- Datanmanipulering med pandas-biblioteket
- Datanförvandlingar – Data wrangling
- Utforskande analys
- Saknade observationer – detektion och lösningar
- Outliers – detektion och strategier
- Standardisering, normalisering, binarisering
- Kvalitativ data recoding
Algoritmer för maskininlärning för outlier-detektering
-
Superviserade algoritmer
- KNN
- Ensemble Gradient Boosting
- SVM
-
Oaviserade algoritmer
- Avståndsbaserad
- Täthetsbaserade metoder
- Sannolikhetsmetoder
- Modellerbaserade metoder
Förståelse av djupinlärning
- Översikt över grundläggande begrepp i djupinlärning
- Skillnaden mellan maskininlärning och djupinlärning
- Översikt över tillämpningar av djupinlärning
Översikt över neuronala nätverk
- Vad är neuronala nätverk
- Neuronala nätverk vs regressionsmodeller
- Förståelse av matematiska grunder och inlärningsmekanismer
- Bygga ett artificiellt neuralt nätverk
- Förståelse av neurona noder och anslutningar
- Arbeta med nerver, lager och indata och utdata
- Förstå enskilda lagerperceptroner
- Skillnaden mellan superviserad och oaviserad inlärning
- Inlärning av feedforward och feedback neuronala nätverk
- Förstå forward propagation och back propagation
Bygga enkla djupinlärningsmodeller med Keras
- Skapa en Keras-modell
- Förstå dina data
- Ange din djupinlärningsmodell
- Kompaera din modell
- Anpassa din modell
- Arbeta med din klassificeringsdata
- Arbeta med klassificeringsmodeller
- Använd dina modeller
Arbeta med TensorFlow för djupinlärning
-
Förbered data
- Ladda ner data
- Förbered träningsdata
- Förbered testdata
- Skalera indata
- Använd platshållare och variabler
- Ange nätverksarkitekturen
- Använd kostnadsfunktionen
- Använd optimeraren
- Använd initialisatorer
- Anpassa det neuronala nätverket
-
Bygg grafen
- Inferens
- Förlust
- Träning
-
Träna modellen
- Grafen
- Sessionen
- Train Loop
-
Utvärdera modellen
- Bygg evaluationsgrafen
- Utvärdera med eval output
- Träna modeller i skala
- Visualisera och utvärdera modeller med TensorBoard
Tillämpning av djupinlärning i anomali-detektering
-
Autoencoder
- Encoder - Decoder Arkitektur
- Rekonstruktionsförlust
-
Variational Autencoder
- Variational inference
-
Generative Adversarial Network
- Generator – Discriminator arkitektur
- Strategier för AN med GAN
Ensemble-ramverk
- Kombinera resultat från olika metoder
- Bootstrap Aggregating
- Genomsnittligt outlier-score
Krav
- Erfarenhet av Python-programmering
- Grundläggande kunskap om statistik och matematiska koncept
Målgrupp
- Utvecklare
- Dataforskare
Vittnesmål (5)
Utbildningen gav en intressant översikt av djupinlärningsmodeller och relaterade metoder. Temat var ganska nytt för mig, men nu känner jag att jag faktiskt har en idé om vad AI och ML kan innebära, vad dessa termer består av och hur de kan användas med fördel. Generellt sett uppskattade jag ansatsen att börja med den statistiska bakgrunden och de grundläggande inlärningsmodellerna, som linjär regression, särskilt med övningar emellan.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maskintolkat
Anna frågade alltid om det fanns några frågor och försökte hela tiden göra oss mer aktiva genom att ställa frågor, vilket gjorde att vi alla blev verkligen engagerade i träningsprogrammet.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maskintolkat
Jag tyckte om hur det var kombinerat med metoderna.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maskintolkat
Instruktörens omfattande erfarenhet och kunskap
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maskintolkat
VM:n är en bra idé
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maskintolkat
