Kursplan
- Introduktion till ML
- Maskininlärning som en del av artificiell intelligens
- Typer av ML
- ML-algoritmer
- Utmaningar och potential för användning av ML
- Överanpassning och bias-varianstransaktion i ML
- Tekniker inom maskininlärning
- Machine Learning Arbetsflödet
- Övervakad inlärning – Klassificering, Regression
- Oövervakad inlärning – Klusteranalys, Anomalidetektering
- Halvövervakad inlärning och Reinforcement Learning
- Överväganden i Machine Learning
- Databearbetning
- Dataförberedelse och transformation
- Feature engineering
- Feature Scaling
- Dimensionalitetsreduktion och variabelval
- Datavisualisering
- Utforskande analys
- Fallstudier
- Avancerad feature engineering och påverkan på resultat i linjär regression för prognostisering
- Tidssekvensanalys och Forecasting månadsvolym av försäljning – grundläggande metoder, säsongsjustering, regression, exponentiell glättning, ARIMA, neurala nätverk
- Marknadskorgsanalys och föreningsregelgruvdrift
- Segmentationsanalys med hjälp av klusteranalys och självorganiserande kartor
- Klassificering av vilken kund som är benägen att förfalla med hjälp av logistisk regression, beslutsträd, xgboost, svm
Krav
Kunskap och medvetenhet om Machine Learning fundamentals
Vittnesmål (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.