Kurzusleírás

Felügyelt tanulás: osztályozás és regresszió

  • Machine Learning in Python: bevezető a scikit-learn API-ba
    • lineáris és logisztikus regresszió
    • támogatás vektor gép
    • neurális hálózatok
    • véletlenszerű erdő
  • Végponttól végpontig felügyelt tanulási folyamat beállítása a scikit-learn segítségével
    • adatfájlokkal való munkavégzés
    • hiányzó értékek beszámítása
    • kategorikus változók kezelése
    • adatok megjelenítése

Python keretrendszerek mesterséges intelligencia alkalmazásokhoz:

  • TensorFlow, Theano, Caffe és Keras
  • AI skálán Apache Spark-val: Mlib

Fejlett neurális hálózati architektúrák

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

Felügyelet nélküli tanulás: klaszterezés, anomáliák észlelése

  • főkomponens elemzés megvalósítása scikit-learn segítségével
  • automatikus kódolók megvalósítása a Keras-ben

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

  • képelemzés
  • összetett pénzügyi sorozatok előrejelzése, például részvényárfolyamok,
  • komplex mintafelismerés
  • természetes nyelvi feldolgozás
  • ajánlórendszerek

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

  • túlillesztés
  • torzítás/variancia kompromisszum
  • torzítások a megfigyelési adatokban
  • ideghálózati 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