Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere și configurarea mediului
- Ce este AutoML și de ce este important
- Configurarea mediilor Python și R
- Configurarea desktop-ului la distanță și a mediilor cloud
Explorarea funcțiilor AutoML
- Capacitățile de bază ale cadrelor AutoML
- Optimizarea hiperparametrilor și strategiile de căutare
- Interpretarea ieșirilor și jurnalelor AutoML
Cum selectează AutoML algoritmii
- Mașinile cu boosting gradient (GBMs), pădurile aleatoare, GLMs
- Rețelele neuronale și backend-urile de învățare adâncă
- Compromisuri: acuratețe vs. interpretabilitate vs. cost
Prepararea și preprocesarea datelor
- Lucrul cu date numerice și categoriale
- Ingineria caracteristicilor și strategiile de codificare
- Gestionarea valorilor lipsă și a imbalanțelor datelor
AutoML pentru diferite tipuri de date
- Date tabulare (H2O AutoML, auto-sklearn, TPOT)
- Date seriale temporale (previziuni și modelare secvențială)
- Tabele text și sarcini NLP (clasificare, analiză a sentimentului)
- Clasificarea imagini și computer vision (Auto-Keras, TensorFlow, PyTorch)
Implementarea și monitorizarea modelelor
- Exportul și implementarea modelelor AutoML
- Construirea de pipeline-uri pentru predicții în timp real
- Monitorizarea derivației modelului și strategiile de reînvățare
Ensembling și subiecte avansate
- Stacking și blending modelelor AutoML
- Considerente privind confidențialitatea și conformitatea
- Optimizarea costurilor pentru AutoML pe scară largă
Debogare și studii de caz
- Erori comune și moduri de a le corecta
- Interpretarea performanței modelelor AutoML
- Studii de caz din utilizări industriale
Rezumat și următoarele pași
Cerințe
- Experiență cu algoritmi de învățare automată
- Experiență în programarea Python sau R
Audiență
- Analiztori de date
- Cercetători de date
- Ingineri de date
- Dezvoltatori
14 ore
