Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés és környezeti beállítás
- Mi az AutoML és miért fontos
- Python és R környezetek beállítása
- Távoli asztali és felhő környezetek konfigurálása
AutoML funkciók megismerése
- AutoML keretrendszerek alapvető képességei
- Hiperparaméter-optimálás és keresési stratégiák
- AutoML kimenetek és naplók értelmezése
Hogyan választhat algoritmusokat az AutoML
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- Neurális hálózatok és mélytanulási hátterek
- Kompromisszumok: pontosság vs. értelmezhetőség vs. költség
Adat előkészítés és előfeldolgozás
- Számos és kategóriális adatok kezelése
- Jellemzőtervezés és kódolási stratégiák
- Hiányzó értékek és adatok egyenlőtlenségének kezelése
AutoML különböző adat típusokra
- Tabuláris adatok (H2O AutoML, auto-sklearn, TPOT)
- Idősorozatok (előrejelzés és szekvenciális modellzés)
- Szöveg és NLP feladatok (osztályozás, érzelemanalízis)
- Képosztályozás és számítógépes látás (Auto-Keras, TensorFlow, PyTorch)
Modell telepítése és figyelése
- AutoML modellek exportálása és telepítése
- Valós idejű előrejelzéshez csővezetékek építése
- Modell eltérések figyelése és újra tanítási stratégiák
Összevonás és haladó témák
- AutoML modellek összevonása és keverése
- Privát és megfelelőségi megfontolások
- Költségoptimalizálás nagy méretű AutoML-hez
Hibaelhárítás és esettanulmányok
- Gyakori hibák és javításuk
- AutoML modell teljesítményének értelmezése
- Ipari használati esetek esettanulmányai
Összegzés és következő lépések
Követelmények
- Gépek tanításának algoritmusokkal való tapasztalata
- Python vagy R programozási tapasztalat
Célközönség
- Adatanalitikusok
- Adattudósok
- Adatmérnökök
- Fejlesztők
14 Órák
