Kurzusleírás

Pythonban történő AI áttekintése

  • AI kulcsfogalmai és hatókör
  • AI fejlesztéshez használt Python könyvtárak
  • AI projekt szerkezete és folyamat

AI-hez szükséges adat előkészítése

  • Adat tisztítás, átalakítás és jellemzők generálása
  • Hiányzó és egyenetlen adatok kezelése
  • Karakterisztikák méretezése és kódolása

Felügyelt tanulási technikák

  • Regressziós és osztályozási algoritmusok
  • Összekapcsolódó módszerek: Random Forest, Gradient Boosting
  • Hiperparaméter beállítás és keresztezett validáció

Nem felügyelt tanulási technikák

  • Csoportosítási módszerek: K-Means, DBSCAN, hierarchikus csoportosítás
  • Dimenziós csökkentés: PCA, t-SNE
  • Nem felügyelt tanulás alkalmazási területei

Ideális hálózatok és mélytanulás

  • TensorFlow és Keras bevezetése
  • Továbbitató ideális hálózatok építése és kiképzése
  • Ideális hálózat teljesítményének optimalizálása

Megerősítő tanulás (bevezetés)

  • Az ügynökök, környezetek és jutalmak alapvető fogalmai
  • Alapvető megerősítő tanulási algoritmusok megvalósítása
  • Megerősítő tanulás alkalmazásai

AI modellek telepítése

  • Kiképzett modellek mentése és betöltése
  • Modellek alkalmazásokba integrálása API-kon keresztül
  • AI rendszerek figyelése és karbantartása termelésben

Összegzés és következő lépések

Követelmények

  1. Alapozott ismeret a Python programozási alapokról
  2. Tapasztalat adatelemző könyvtárakkal, például NumPy és pandas
  3. Alapszintű ismeret a gépi tanulás fogalmairól és algoritmusairól

Célközönség

  • Szoftverfejlesztők, akik bővíteni szeretnék az AI fejlesztési készségeiket
  • Adatanalitikusok, akik szeretnének alkalmazni az AI technikákat bonyolult adatkészletekhez
  • Kutató-fejlesztői szakemberek, akik AI-alapú alkalmazásokat építenek
 35 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák