XGBoost for Gradient Boosting Träningskurs
XGBoost är ett beslut-trädbaserat ensemble Machine Learning algoritm. Den använder en gradient boosting ram för att lösa prognosproblem som involverar obestrukturerade data som bilder och text. Gradient boosting är också en populär teknik för effektiv modellering av tabelldata.
Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till data forskare som vill använda XGBoost för att bygga modeller som effektivt löser regression, klassificering, rankning och prognosproblem.
Vid slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera XGBoost.
- Förstå förhållandet mellan beslutsfattare och andra algoritmer som logistisk regression och slumpmässig skog.
- Testa olika bibliotek för att bestämma den bästa för jobbet.
- Välj rätt konfiguration för en algoritm.
- Ange hyperparametrarna för en algoritm för en viss datasett.
- Implementera en maskininlärningslösning som balanserar kraft med komplexitet, förklarbarhet och lätthet att genomföra.
Format för kursen
- Interaktiv föreläsning och diskussion.
- Många övningar och övningar.
- Hand-on implementering i en live-lab miljö.
Kursanpassningsalternativ
- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
Kursplan
Introduktion
- Artificiella neurala nätverk kontra beslutsträdbaserade algoritmer
Översikt över XGBoost-funktioner
- Elements av en Gradient Boosting-algoritm
- Fokusera på beräkningshastighet och modellprestanda
- XGBoost vs Logistic Regression, Random Forest och standard Gradient Boosting
Utvecklingen av trädbaserade algoritmer
- Beslutsträd, Bagging, Random Forest, Boosting, Gradient Boosting
- Systemoptimering
- Algoritmiska förbättringar
Att förbereda miljön
- Installerar SciPy och scikit-learn
Skapa en XGBoost-modell
- Ladda ner en datamängd
- Att lösa ett vanligt klassificeringsproblem
- Utbildning av XGBoost-modellen för klassificering
- Lös en vanlig regressionsuppgift
Övervakning av prestanda
- Utvärdera och rapportera prestanda
- Tidig stopp
Plotta funktioner efter betydelse
- Beräknar egenskapens betydelse
- Besluta vilka indatavariabler som ska behållas eller kasseras
Konfigurera Gradient Boosting
- Granska inlärningskurvorna för utbildnings- och valideringsdatauppsättningar
- Justera inlärningshastigheten
- Justering av antalet träd
Inställning av hyperparameter
- Förbättra prestandan hos en XGBoost-modell
- Designa ett kontrollerat experiment för att ställa in hyperparametrar
- Searchkombinationer av parametrar
Skapa en pipeline
- Inkorporerar en XGBoost-modell i en komplett maskininlärningspipeline
- Justera hyperparametrar inom pipeline
- Avancerade förbearbetningstekniker
Felsökning
Sammanfattning och slutsats
Krav
- Erfarenhet av att skriva maskininlärningsmodeller
Publik
- Dataforskare
- Maskininlärningsingenjörer
Open Training Courses require 5+ participants.
XGBoost for Gradient Boosting Träningskurs - Booking
XGBoost for Gradient Boosting Träningskurs - Enquiry
XGBoost for Gradient Boosting - Consultancy Enquiry
Upcoming Courses
Relaterade Kurser
H2O AutoML
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare som vill använda H2O AutoML för att automatisera processen att bygga och välja den bästa maskininlärningsalgoritmen och parametrarna.
I slutet av denna utbildning kommer deltagarna att kunna:
- Automatisera arbetsflödet för maskininlärning.
- Träna och justera automatiskt många maskininlärningsmodeller inom ett visst tidsintervall.
- Träna staplade ensembler för att komma fram till mycket förutsägande ensemblemodeller.
AutoML with Auto-sklearn
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utövare av maskininlärning som vill använda Auto-sklearn för att automatisera processen att välja och optimera en maskininlärningsmodell.
I slutet av denna utbildning kommer deltagarna att kunna:
- Automatisera processen att träna högeffektiva maskininlärningsmodeller.
- Bygg mycket exakta maskininlärningsmodeller samtidigt som du kringgår de mer tråkiga uppgifterna med att välja, träna och testa olika modeller.
- Använd kraften i maskininlärning för att lösa verkliga affärsproblem.
AutoML with Auto-Keras
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare såväl som mindre tekniska personer som vill använda Auto-Keras för att automatisera processen att välja och optimera en maskininlärningsmodell.
I slutet av denna utbildning kommer deltagarna att kunna:
- Automatisera processen att träna högeffektiva maskininlärningsmodeller.
- Sök automatiskt efter de bästa parametrarna för modeller för djupinlärning.
- Bygg mycket exakta maskininlärningsmodeller.
- Använd kraften i maskininlärning för att lösa verkliga affärsproblem.
Introduction to Stable Diffusion for Text-to-Image Generation
21 timmarDen här instruktörsledda, live-utbildningen i (online eller på plats) riktar sig till datavetare, maskininlärningsingenjörer och datorseendeforskare som vill utnyttja Stable Diffusion för att generera högkvalitativa bilder för en mängd olika användningsfall.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå principerna för Stable Diffusion och hur det fungerar för bildgenerering. Bygg och träna Stable Diffusion modeller för bildgenereringsuppgifter. Tillämpa Stable Diffusion på olika scenarier för bildgenerering, till exempel inpainting, outpainting och bild-till-bild översättning. Optimera prestanda och stabilitet för Stable Diffusion modeller.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till datavetare på medelnivå till avancerad nivå, maskininlärningsingenjörer, forskare inom djupinlärning och experter på datorseende som vill utöka sina kunskaper och färdigheter inom djupinlärning för text-till-bild-generering.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå avancerade djupinlärningsarkitekturer och tekniker för text-till-bild-generering. Implementera komplexa modeller och optimeringar för bildsyntes av hög kvalitet. Optimera prestanda och skalbarhet för stora datamängder och komplexa modeller. Justera hyperparametrar för bättre modellprestanda och generalisering. Integrera Stable Diffusion med andra ramar och verktyg för djupinlärning
AlphaFold
7 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till biologer som vill förstå hur AlphaFold fungerar och använda AlphaFold modeller som vägledning i sina experimentella studier.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå de grundläggande principerna för AlphaFold.
- Lär dig hur AlphaFold fungerar.
- Lär dig hur du tolkar AlphaFold förutsägelser och resultat.
TensorFlow Lite for Embedded Linux
21 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att distribuera modeller för djupinlärning på inbäddade enheter.
I slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera Tensorflow Lite på en inbäddad enhet.
- Förstå de begrepp och komponenter som ligger bakom TensorFlow Lite.
- Konvertera befintliga modeller till format TensorFlow Lite för exekvering på inbäddade enheter.
- Arbeta inom begränsningarna för små enheter och TensorFlow Lite, samtidigt som du lär dig hur du utökar omfattningen av operationer som kan köras.
- Implementera en modell för djupinlärning på en inbäddad enhet som kör Linux.
TensorFlow Lite for Android
21 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att utveckla mobila applikationer med djupinlärningsmöjligheter.
I slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera TensorFlow Lite.
- Förstå principerna bakom TensorFlow, maskininlärning och djupinlärning.
- Ladda TensorFlow-modeller på en Android-enhet.
- Aktivera djupinlärning och maskininlärningsfunktioner som datorseende och naturligt språkigenkänning i en mobilapplikation.
Tensorflow Lite for Microcontrollers
21 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill skriva, ladda och köra maskininlärningsmodeller på mycket små inbäddade enheter.
I slutet av denna utbildning kommer deltagarna att kunna:
- Installera TensorFlow Lite.
- Ladda maskininlärningsmodeller på en inbäddad enhet så att den kan upptäcka tal, klassificera bilder etc.
- Lägg till AI till hårdvaruenheter utan att förlita sig på nätverksanslutning.
TensorFlow Lite for iOS
21 timmarDenna instruktörsledda, liveutbildning i (online eller på plats) riktar sig till utvecklare som vill använda TensorFlow Lite för att utveckla iOS-mobilapplikationer med djupinlärningsmöjligheter.
I slutet av denna utbildning kommer deltagarna att kunna:
- Installera och konfigurera TensorFlow Lite.
- Förstå principerna bakom TensorFlow och maskininlärning på mobila enheter.
- Ladda TensorFlow-modeller på en iOS-enhet.
- Kör en iOS-applikation som kan upptäcka och klassificera ett objekt som fångas med enhetens kamera.
Edge AI with TensorFlow Lite
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på mellannivå, datavetare och AI-utövare som vill utnyttja TensorFlow Lite för Edge AI-applikationer.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå grunderna i TensorFlow Lite och dess roll i Edge AI.
- Utveckla och optimera AI-modeller med hjälp av TensorFlow Lite.
- Distribuera TensorFlow Lite-modeller på olika gränsenheter.
- Använda verktyg och tekniker för modellkonvertering och optimering.
- Implementera praktiska Edge AI-applikationer med TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till AI-utvecklare på mellannivå, maskininlärningsingenjörer och systemarkitekter som vill optimera AI-modeller för edge-distribution.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå utmaningarna och kraven för att distribuera AI-modeller på gränsenheter.
- Tillämpa modellkomprimeringstekniker för att minska storleken och komplexiteten hos AI-modeller.
- Använd kvantiseringsmetoder för att förbättra modellens effektivitet på edge-hårdvara.
- Implementera rensning och andra optimeringstekniker för att förbättra modellens prestanda.
- Distribuera optimerade AI-modeller på olika gränsenheter.
Edge AI in Industrial Automation
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till industriingenjörer på mellannivå, tillverkningsproffs och AI-utvecklare som vill implementera Edge AI-lösningar inom industriell automation.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå rollen för Edge AI i industriell automation.
- Implementera lösningar för förutsägande underhåll med hjälp av Edge AI.
- Tillämpa AI-tekniker för kvalitetskontroll i tillverkningsprocesser.
- Optimera industriella processer med hjälp av Edge AI.
- Distribuera och hantera Edge AI-lösningar i industriella miljöer.
Edge AI for Financial Services
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till finansproffs på mellannivå, fintech-utvecklare och AI-specialister som vill implementera Edge AI-lösningar inom finansiella tjänster.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå rollen för Edge AI inom finansiella tjänster.
- Implementera system för identifiering av bedrägerier med hjälp av Edge AI.
- Förbättra kundservicen genom AI-drivna lösningar.
- Använd Edge AI för riskhantering och beslutsfattande.
- Distribuera och hantera Edge AI-lösningar i finansiella miljöer.
Deep Learning Neural Networks with Chainer
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till forskare och utvecklare som vill använda Chainer för att bygga och träna neurala nätverk i Python samtidigt som koden är lätt att felsöka.
I slutet av denna utbildning kommer deltagarna att kunna:
- Sätt upp den nödvändiga utvecklingsmiljön för att börja utveckla neurala nätverksmodeller.
- Definiera och implementera neurala nätverksmodeller med hjälp av en begriplig källkod.
- Utför exempel och modifiera befintliga algoritmer för att optimera träningsmodeller för djupinlärning samtidigt som du utnyttjar GPUs för hög prestanda.