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 Környezet Beállítása
- Mi az AutoML és miért fontos
- Python és R környezetek beállítása
- Távoli asztal és felhő környezetek konfigurálása
Az AutoML Funkcióinak Felfedezése
- Az AutoML keretrendszerek alapvető képességei
- Hiperparaméter-optimalizálás és keresési stratégiák
- AutoML kimenetek és naplók értelmezése
Hogyan Választ Algoritmusokat az AutoML
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- Neurális hálózatok és mélytanulási backendek
- Kompromisszumok: pontosság vs. értelmezhetőség vs. költség
Adatfeldolgozás és Előfeldolgozás
- Numerikus és kategorikus adatok kezelése
- Jellemzőtervezés és kódolási stratégiák
- Hiányzó értékek és adateltolódás kezelése
AutoML Különböző Adattípusokhoz
- Táblázatos adatok (H2O AutoML, auto-sklearn, TPOT)
- Idősoros adatok (előrejelzés és szekvenciális modellezés)
- Szöveg és NLP feladatok (osztályozás, hangulatelemzés)
- Képosztályozás és számítógépes látás (Auto-Keras, TensorFlow, PyTorch)
Modell Üzembehelyezés és Monitorozás
- AutoML modellek exportálása és üzembehelyezése
- Valós idejű előrejelzéshez szükséges folyamatok kialakítása
- Modelleltolódás monitorozása és újraképzési stratégiák
Egyesítés és Haladó Temák
- AutoML modellek összeállítása és keverése
- Adatvédelem és megfelelőségi szempontok
- Költségoptimalizálás nagyszabású AutoML-hez
Hibaelhárítás és Esettanulmányok
- Gyakori hibák és azok javítása
- AutoML modell teljesítményének értelmezése
- Esettanulmányok az ipari felhasználásokból
Összefoglalás és Következő Lépések
Követelmények
- Tapasztalat gépi tanulási algoritmusokkal
- Python vagy R programozási tapasztalat
Közönség
- Adatelemzők
- Adattudósok
- Adatmérnökök
- Fejlesztők
14 Órák
