Lépjen kapcsolatba velünk
 Időtartalma 35 órák

Kurzusleírás

A mesterséges intelligencia áttekintése Python nyelven

  • Alapvető fogalmak és a MŰI határa
  • Python könyvtárak MŰI fejlesztéshez
  • MŰI projekt szerkezete és munkafolyamat

Adatfelkészítés MŰI-hez

  • Adattisztítás, átalakítás és funkciómérnökség
  • Hibás és egyensúlytalan adatok kezelése
  • Funkcióskálázás és kódolás

Felügyelt tanulási technikák

  • Regressziós és osztályozási algoritmusok
  • Ensemble módszerek: Random Forest, Gradient Boosting
  • Hyperparaméter-tuning és keresztvalidáció

Felügyelet nélküli tanulási technikák

  • Kluszterezési módszerek: K-Means, DBSCAN, hierarchikus kluszterezés
  • Dimenziócsökkentés: PCA, t-SNE
  • A felügyelet nélküli tanulás esetleges alkalmazásai

Neurális hálózatok és mély tanulás

  • Bemutatkozás a TensorFlow és a Keras könyvtárral
  • Előretervezett neurális hálózatok építése és tanítása
  • Neurális hálózat teljesítményének optimalizálása

Megerősítésalapú tanulás (Bemutatkozás)

  • Agentok, környezetek és jutalmak alapfogalmai
  • Alapvető megerősítésalapú tanulási algoritmusok implementálása
  • A megerősítésalapú tanulás alkalmazásai

MŰI modellek üzembe helyezése

  • Kitanult modellek mentése és betöltése
  • Modellek integrálása alkalmazásokba API-kon keresztül
  • MŰI rendszerek monitoringja és karbantartása produkcióban

Összefoglalás és következő lépések

Követelmények

  • Szilárd Python programozási alapfogalmak ismerete
  • Tapasztalat adat-analitikai könyvtárakkal, mint például a NumPy és a pandas
  • Alapvető ismeretek a gépi tanulás fogalmaiban és algoritmusai

Célcsoport

  • Szoftverfejlesztők, akik bővítenének MŰI fejlesztési készségeiket
  • Adatanalitikusok, akik MŰI technikákat szeretnének alkalmazni összetett adathalmazokon
  • K&F szakemberek, akik MŰI-alapú alkalmazásokat fejlesztnek

Résztvevők száma


Ár per résztvevő

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák