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 în Machine Learning Aplicat
- Învățarea statistică vs. Învățarea automată
- Iterare și evaluare
- Compromisul Bias-Varianță
- Învățare supervizată vs Nesupravegheată
- Probleme rezolvate cu Machine Learning
- Train Validation Test – Flux de lucru ML pentru a evita overfitting-ul
- Fluxul de lucru al Machine Learning-ului
- Algoritmi de Machine Learning
- Alegerea algoritmului potrivit pentru problemă
Evaluarea Algoritmilor
-
Evaluarea predicțiilor numerice
- Măsuri de acuratețe: ME, MSE, RMSE, MAPE
- Stabilitatea parametrilor și a predicțiilor
-
Evaluarea algoritmilor de clasificare
- Acuratețea și problemele sale
- Matricea de confuzie
- Problema claselor dezechilibrate
-
Vizualizarea performanței modelului
- Curba profitului
- Curba ROC
- Curba liftului
- Selectarea modelului
- Reglarea modelului – strategii de căutare în grilă
Pregătirea Datelor pentru Modelare
- Importul și stocarea datelor
- Înțelegerea datelor – explorări de bază
- Manipularea datelor cu biblioteca pandas
- Transformări de date – Curățarea datelor
- Analiza exploratorie
- Observații lipsă – detectare și soluții
- Outlieri – detectare și strategii
- Standardizare, normalizare, binarizare
- Recodificarea datelor calitative
Algoritmi de Machine Learning pentru Detectarea Outlierilor
-
Algoritmi supervizați
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritmi nesupravegheați
- Bazate pe distanță
- Metode bazate pe densitate
- Metode probabilistice
- Metode bazate pe modele
Înțelegerea Deep Learning-ului
- Prezentare generală a conceptelor de bază ale Deep Learning-ului
- Diferențierea între Machine Learning și Deep Learning
- Prezentare generală a aplicațiilor Deep Learning-ului
Prezentare generală a Rețelelor Neuronale
- Ce sunt rețelele neuronale
- Rețele neuronale vs. Modele de regresie
- Înțelegerea fundamentei matematice și a mecanismelor de învățare
- Construirea unei rețele neuronale artificiale
- Înțelegerea nodurilor și conexiunilor neuronale
- Lucrul cu neuroni, straturi și date de intrare și ieșire
- Înțelegerea perceptronilor cu un singur strat
- Diferențele dintre învățarea supervizată și nesupravegheată
- Învățarea rețelelor neuronale feedforward și feedback
- Înțelegerea propagării înainte și a propagării inverse
Construirea Modelelor Simple de Deep Learning cu Keras
- Crearea unui model Keras
- Înțelegerea datelor tale
- Specificarea modelului tău de deep learning
- Compilarea modelului tău
- Potrivirea modelului tău
- Lucrul cu datele tale de clasificare
- Lucrul cu modelele de clasificare
- Utilizarea modelelor tale
Lucrul cu TensorFlow pentru Deep Learning
-
Pregătirea datelor
- Descărcarea datelor
- Pregătirea datelor de antrenament
- Pregătirea datelor de test
- Scalarea intrărilor
- Utilizarea placeholderelor și a variabilelor
- Specificarea arhitecturii rețelei
- Utilizarea funcției de cost
- Utilizarea optimizatorului
- Utilizarea inițializatorilor
- Potrivirea rețelei neuronale
-
Construirea graficului
- Inferență
- Pierdere
- Antrenament
-
Antrenarea modelului
- Graficul
- Sesiunea
- Bucla de antrenament
-
Evaluarea modelului
- Construirea graficului de evaluare
- Evaluarea cu rezultatul de evaluare
- Antrenarea modelelor la scară
- Vizualizarea și evaluarea modelelor cu TensorBoard
Aplicarea Deep Learning-ului în Detectarea Anomaliilor
-
Autoencoder
- Arhitectura Encoder - Decoder
- Pierderea de reconstrucție
-
Variational Autoencoder
- Inferență variatională
-
Generative Adversarial Network
- Arhitectura Generator – Discriminator
- Abordări pentru AN folosind GAN
Framework-uri Ensemble
- Combinarea rezultatelor din diferite metode
- Bootstrap Aggregating
- Medierea scorului de outlier
Cerințe
- Experiență în programare Python
- Familiaritate de bază cu concepte statistice și matematice
Publicul țintă
- Dezvoltatori
- Oameni de știință de date
28 Ore
Mărturii (5)
Formarea a oferit o prezentare interesantă a modelelor de învățare adâncă și a metodelor asociate. Subiectul era destul de nou pentru mine, dar acum am sentimentul că înțeleg ce poate include AI-ul și ML-ul, ce presupun aceste termeni și cum pot fi folosite cu avantaj. În general, mi-a plăcut abordarea de a începe cu fundalul statistic și modelele de învățare de bază, cum ar fi regresia liniară, cu accent pus pe exercițiile intermediare.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Anna ne-a întrebat mereu dacă avem întrebări și a încercat tot timpul să ne facă mai activi prin punerea de întrebări, ceea ce ne-a implicat pe toți foarte bine în antrenament.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Mi-a plăcut modul în care a fost combinat cu practicile.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Experiența extinsă / cunoștințele formatorului
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
VM este o idee bună
Vincent - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
