Schița de curs

Învățare supravegheată: clasificare și regresie

    Învățare automată în Python: introducere în API-ul scikit-learn regresie liniară și logistică suport vector rețele neuronale ale mașinii pădure aleatoare
Configurarea unui canal de învățare supravegheat end-to-end folosind scikit-learn lucrul cu fișiere de date
  • imputarea valorilor lipsă
  • manipularea variabilelor categoriale
  • vizualizarea datelor
  • Python cadre pentru aplicații 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 în timp celula de memorie pe termen lung

      Învățare nesupravegheată: grupare, detectarea anomaliilor

    implementarea analizei componentelor principale cu scikit-learn implementarea autoencoderelor în Keras

      Exemple practice de probleme pe care AI le poate rezolva (exerciții practice folosind caietele Jupyter), de exemplu

    analiză de imagini prognoza serii financiare complexe, cum ar fi prețurile acțiunilor, sistemele de recomandare de procesare a limbajului natural de recunoaștere a modelelor complexe

      Înțelegeți limitările metodelor AI: moduri de eșec, costuri și dificultăți comune

    prejudecățile de supraadaptare/varianță ale compromisului în otrăvirea rețelei neuronale a datelor observaționale

      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 înrudite

    Categorii înrudite