Schița de curs

Învățare supervizată: clasificare și regresie

  • Machine Learning în Python: introducere în API-ul scikit-learn
    • regresie liniară și logistică
    • mașină cu vectori de suport
    • rețele neuronale
    • pădure aleatoare
  • Configurarea unui pipeline de învățare supervizată de la cap la cap folosind scikit-learn
    • lucrul cu fișiere de date
    • imputarea valorilor lipsă
    • gestionarea variabilelor categorice
    • vizualizarea datelor

Framework-uri Python pentru aplicații de AI:

  • TensorFlow, Theano, Caffe și Keras
  • AI la scară cu Apache Spark: Mlib

Arhitecturi avansate de rețele neuronale

  • rețele neuronale convoluționale pentru analiza imaginilor
  • rețele neuronale recurente pentru date structurate temporal
  • celula de memorie pe termen lung și scurt

Învățare nesupervizată: clustering, detectarea anomaliilor

  • implementarea analizei componentelor principale cu scikit-learn
  • implementarea autoencoderilor în Keras

Exemple practice de probleme pe care le poate rezolva AI (exerciții practice folosind Jupyter notebooks), de ex. 

  • analiza imaginilor
  • prognozarea seriilor financiare complexe, cum ar fi prețurile acțiunilor,
  • recunoașterea de modele complexe
  • procesarea limbajului natural
  • sisteme de recomandare

Înțelegerea limitărilor metodelor de AI: moduri de eșec, costuri și dificultăți comune

  • overfitting
  • compromisul bias/varianță
  • distorsiuni în datele observaționale
  • intoxicația rețelelor neuronale

Lucru de proiect aplicat (opțional)

Cerințe

Nu sunt necesare cerințe specifice pentru a participa la acest curs.

 28 Ore

Numărul de participanți


Pret per participant

Mărturii (2)

Cursuri viitoare

Categorii înrudite