Kurzusleírás
Bevezetés
Munkakörnyezet kialakítása
A AutoML szolgáltatások áttekintése
Hogyan AutoML vizsgálja meg az algoritmusokat
- Gradient Boosting Machines (GBM), Random Forests, GLM-ek stb.
Problémák megoldása használati eset szerint
Problémák megoldása képzési adattípus szerint
Adatvédelmi szempontok
Költségmegfontolások
Adatok előkészítése
Numerikus és kategorikus adatok kezelése
- IID táblázatos adatok (H2O AutoML, auto-sklearn, TPOT)
Munka időfüggő adatokkal (idősoros adatok)
Nyers szöveg osztályozása
Nyers képadatok osztályozása
- Deep Learning és Neurális architektúra Search (TensorFlow, PyTorch, Auto-Keras stb.)
Egy AutoML módszer bevezetése
Egy pillantás a belső algoritmusokra AutoML
Különböző modellek összeállítása
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- Gépi tanulási algoritmusokkal kapcsolatos tapasztalat.
- Python vagy R programozási tapasztalat.
Közönség
- Adatelemzők
- Adattudósok
- Adatmérnökök
- Fejlesztők
Vélemények (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurzus - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete