Kurzusleírás

**AI áttekintése Python-ban**
  • Az AI kulcsfogalmai és hatóköre
  • Python könyvtárak az AI fejlesztéshez
  • AI projekt szerkezete és munkafolyamata
**Adatfelkészítés az AI-hoz**
  • Adat tisztítás, átalakítás és jellemzőmérő készítés
  • Hiányzó és egyensúlytalan adatok kezelése
  • Jellemző méretezése és kódolása
**Supervised Learning technikák**
  • Regresszió és klasszifikáció algoritmusok
  • Összevont módszerek: Random Forest, Gradient Boosting
  • Hiperparaméter beállítás és keresztezett validálás
**Unsupervised Learning technikák**
  • Clusterizálási módszerek: K-Means, DBSCAN, hierarchikus clusterizálás
  • Dimenszionalitás-csökkentés: PCA, t-SNE
  • Nyelvészet nélküli tanulás esetek
**Neural Networks és Deep Learning**
  • TensorFlow és Keras bevezetése
  • Táplálós hálózatok építése és edzése
  • A neurális háló teljesítményének optimalizálása
**Reinforcement Learning (Bevezetés)**
  • Ügynökök, környezetek és jutalmak alapfogalmai
  • Alapvető erősítéses tanulási algoritmusok megvalósítása
  • A erősítéses tanulás alkalmazásai
**AI Modellek telepítése**
  • Kiképzett modellek mentése és betöltése
  • Modellek integrálása alkalmazásokba API-kon keresztül
  • AI rendszerek monitorozása és karbantartása a gyártásban
**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