Schița de curs
Introducere în Machine Learning aplicat
- Învățare statistică vs. Machine learning
- Iterație și evaluare
- Compromisul Bias-Varianță
- Învățare supervizată vs. nesupervizată
- Probleme rezolvate cu Machine Learning
- Train Validation Test – workflow ML pentru evitarea overfitting-ului
- Workflow-ul Machine Learning
- 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 modelelor
- Curba profitului
- Curba ROC
- Curba Lift
- Selectarea modelului
- Tuning-ul modelului – strategii de căutare în grilă
Pregătirea datelor pentru modelare
- Importul și stocarea datelor
- Înțelegerea datelor – explorări de bază
- Manipularea datelor cu biblioteca pandas
- Transformarea datelor – Data wrangling
- 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 nesupervizați
- Bazate pe distanță
- Metode bazate pe densitate
- Metode probabilistice
- Metode bazate pe modele
Înțelegerea Deep Learning
- Prezentarea conceptelor de bază ale Deep Learning
- Diferențierea dintre Machine Learning și Deep Learning
- Prezentarea aplicațiilor Deep Learning
Prezentarea rețelelor neuronale
- Ce sunt rețelele neuronale
- Rețele neuronale vs. modele de regresie
- Înțelegerea fundamentelor 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
- Diferențe între învățarea supervizată și nesupervizată
- Învățarea rețelelor neuronale feedforward și feedback
- Înțelegerea propagării înainte și a propagării înapoi
Construirea unor modele simple de Deep Learning cu Keras
- Crearea unui model Keras
- Înțelegerea datelor tale
- Specificarea modelului de Deep Learning
- Compilarea modelului
- Antrenarea modelului
- Lucrul cu datele de clasificare
- Lucrul cu modelele de clasificare
- Utilizarea modelelor
Lucrul cu TensorFlow pentru Deep Learning
-
Pregătirea datelor
- Descărcarea datelor
- Pregătirea datelor de antrenare
- Pregătirea datelor de testare
- Scalarea intrărilor
- Utilizarea placeholder-elor și a variabilelor
- Specificarea arhitecturii rețelei
- Utilizarea funcției de cost
- Utilizarea optimizatorului
- Utilizarea inițializatorilor
- Antrenarea rețelei neuronale
-
Construirea grafului
- Inferență
- Loss
- Training
-
Antrenarea modelului
- Graful
- Sesiunea
- Bucla de antrenare
-
Evaluarea modelului
- Construirea grafului de evaluare
- Evaluarea cu rezultatul evaluării
- Antrenarea modelelor la scară
- Vizualizarea și evaluarea modelelor cu TensorBoard
Aplicarea Deep Learning în detectarea anomaliilor
-
Autoencoder
- Arhitectura Encoder - Decoder
- Pierderea de reconstrucție
-
Variational Autoencoder
- Inferență variațională
-
Generative Adversarial Network
- Arhitectura Generator – Discriminator
- Abordări ale AN folosind GAN
Framework-uri de tip Ensemble
- Combinarea rezultatelor din diferite metode
- Bootstrap Aggregating
- Medierea scorului outlierilor
Cerințe
- Experiență în programarea Python
- Familiaritate de bază cu concepte de statistică și matematică
Publicul țintă
- Dezvoltatori
- Data scientists
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
