Kurzusleírás

Mesterségi intelligencia áttekintése Pythonnal

  • Főbb fogalmak és a mesterségi intelligencia hatóköre
  • Python könyvtárak AI fejlesztéshez
  • AI projektek szerkezete és munkafolyamatai

Adat előkészítése AI számára

  • Adat tisztítása, átalakítása és jellemző műszerezése
  • Hátrányos és nem kiegyensúlyozott adatok kezelése
  • Jellemző méretezése és kodolása

Elnéző tanulási technikák

  • Regressziós és osztályozó algoritmusok
  • Többes módszerek: Random Forest, Gradient Boosting
  • Hiperparaméter hangolása és keresztevaluáció

Nem-elnéző tanulási technikák

  • Csoportosítási módszerek: K-Legelőzetes, DBSCAN, hierarchikus csoportosítás
  • Dimenziócsökkentés: PCA, t-SNE
  • Nem-elnéző tanulási alkalmazása

Hálózatok és mély tanulás

  • Bevezetés a TensorFlow és Keras használatába
  • Elerész hálózatok készítése és betanítása
  • Hálózat teljesítményének optimalizálása

Erősítés-alapú tanulás (bevezetés)

  • Agensek, környezetek és jutalmak alapvető fogalmai
  • Nyomkövetési erősítés-alapú tanulási algoritmusok implementálása
  • Erősítés-alapú tanulás alkalmazásai

AI modellek üzembe helyezése

  • Tanított modellek mentése és betöltése
  • Modell alkalmazásokba való integrálása API-kon keresztül
  • Működő rendszerek figyelése és karbantartása éles környezetben

Összefoglalás és következő lépések

Követelmények

  • Szolid Python programozási alapok megismerése
  • Tapasztalat az adatelemző könyvtárak, mint NumPy és pandas használattal
  • Alapvető ismeretek a gépi tanulás fogalmairól és algoritmusairól

Célcsoport

  • Szoftverfejlesztők, akik kiterjeszteni szeretnének AI fejlesztési képességeiket
  • Adatelemzők, akik alkalmazni szeretnének AI technikákat összetettebb adathalmazokra
  • Kutató és fejlesztő szakemberek, akik AI-meghajtott alkalmazásokat készítenek
 35 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák