Kurzusleírás

Felügyelt tanulás: osztályozás és regresszió

    Machine Learning in Python: bevezető a scikit-learn API lineáris és logisztikai regressziót támogató vektorba gépi neurális hálózatok véletlenszerű erdő
Végponttól végpontig felügyelt tanulási folyamat létrehozása a scikit-learn használatával adatfájlokkal való munkavégzés
  • hiányzó értékek beszámítása
  • kategorikus változók kezelése
  • adatok megjelenítése
  • Python keretrendszerek mesterséges intelligencia alkalmazásokhoz:
  • TensorFlow, Theano, Caffe és Keras AI méretben az Apache Spark: Mlib segítségével

      Fejlett neurális hálózati architektúrák

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

      Felügyelet nélküli tanulás: klaszterezés, anomáliák észlelése

    főkomponens elemzés megvalósítása scikit-learn implementáló autoencoderekkel a Keras-ban

      Gyakorlati példák a mesterséges intelligencia által megoldható problémákra (gyakorlati gyakorlatok Jupyter notebookokkal), pl.

    képelemzés előrejelző komplex pénzügyi sorozatok, például részvényárfolyamok, komplex mintafelismerő természetes nyelvi feldolgozó ajánlórendszerek

      Ismerje meg a mesterséges intelligencia módszerek korlátait: a meghibásodás módjait, a költségeket és a gyakori nehézségeket

    túlillesztés torzítás/variancia kompromisszumos torzítás megfigyelési adatok neurális hálózat mérgezés

      Alkalmazott projektmunka (opcionális)

    Követelmények

    A tanfolyamon való részvételhez nincs szükség speciális követelményekre.

     28 Órák

    Résztvevők száma


    Ár per résztvevő

    Vélemények (2)

    Közelgő kurzusok

    Rokon kategóriák