Lépjen kapcsolatba velünk

Kurzusleírás

Felügyelt tanulás: osztályozás és regresszió

  • Gépi tanulás Pythonban: bevezetés a scikit-learn API-ba
    • lineáris és logisztikus regresszió
    • szupport vektor gép
    • neurális hálózatok
    • véletlen erdő
  • Teljes körű felügyelt tanulási folyamat felépítése a scikit-learn segítségével
    • munka adatfájlokkal
    • hiányzó értékek pótlása
    • kategorikus változók kezelése
    • adatok vizualizálása

Python-keretrendszerek MI-alkalmazásokhoz:

  • TensorFlow, Theano, Caffe és Keras
  • MI nagy léptékben az Apache Sparkkal: Mlib

Fejlett neurálisháló-architektúrák

  • konvolúciós neurális hálózatok képelemzéshez
  • rekurrens neurális hálózatok időstrukturált adatokhoz
  • a hosszú rövid távú memória cella

Felügyelet nélküli tanulás: klaszterezés, anomáliadetektálás

  • főkomponens-elemzés megvalósítása scikit-learn segítségével
  • autoenkóderek megvalósítása Kerasban

Gyakorlati példák olyan problémákra, amelyeket a MI képes megoldani (gyakorlati feladatok Jupyter notebookokkal), pl.

  • képelemzés
  • összetett pénzügyi idősorok, például részvényárak előrejelzése,
  • összetett mintafelismerés
  • természetes nyelvi feldolgozás
  • ajánlórendszerek

A MI-módszerek korlátainak megértése: hibamódok, költségek és gyakori nehézségek

  • túlillesztés
  • torzítás/variancia kompromisszum
  • torzítások a megfigyelési adatokban
  • neurális hálózat mérgezés

Alkalmazott projektmunka (opcionális)

Követelmények

A kurzus elvégzéséhez nincsenek speciális előfeltételek.

 28 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák