Schița de curs
Introducere
- Construirea algoritmilor eficienți în recunoașterea modelelor, clasificare și regresie.
Configurarea Mediului de Dezvoltare
- Biblioteci Python
- Editori online vs offline
Prezentare a Feature Engineering
- Variabile de intrare și ieșire (caracteristici)
- Avantaje și dezavantaje ale feature engineering-ului
Tipuri de Probleme întâmpinate în Datele Brute
- Date neprocurate, date lipsă, etc.
Preprocesarea Variabilelor
- Gestionarea datelor lipsă
Gestionarea Valorilor Lipsă din Date
Lucrul cu Variabile Categorice
Conversia Etichetelor în Numere
Gestionarea Etichetelor în Variabilele Categorice
Transformarea Variabilelor pentru a Îmbunătăți Puterea Predictivă
- Numerice, categorice, date, etc.
Curățarea unui Set de Date
Modelare Machine Learning
Gestionarea Outlier-urilor din Date
- Variabile numerice, categorice, etc.
Rezumat și Concluzii
Cerințe
- Experiență în programare Python.
- Experiență cu Numpy, Pandas și scikit-learn.
- Familiarizarea cu algoritmii de Machine Learning.
Audiență
- Dezvoltatori
- Științii de date
- Analizi de date
Mărturii (2)
ecosistemul ML nu include doar MLFlow, ci și Optuna, hyperops, Docker și Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
M-a plăcut să particip la instruirea Kubeflow, care a avut loc la distanță. Această instruire mi-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toate instrumentele devOps în jurul Kubeflow, care reprezintă bazele necesare pentru a aborda subiectul cu succes. Vreau să-i mulțumesc lui Malawski Marcin pentru răbdarea sa și profesionalismul demonstrat în instruire și sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite unghiuri, folosind diferite instrumente de implementare precum Ansible, EKS kubectl, Terraform. Acum sunt cu adevărat convins că intru în domeniul de aplicație potrivit.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina