Kurzusleírás

Bevezetés

Munkakörnyezet kialakítása

Az 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 keresés (TensorFlow, PyTorch, Auto-Keras stb.)

Egy AutoML módszer bevezetése

Egy pillantás a belső algoritmusokra AutoML

Különböző modellek összeállítása

Hibaelhárítás

Összegzés és következtetés

Követelmények

  • Gépi tanulási algoritmusokkal kapcsolatos tapasztalat.
  • Python vagy R programozási tapasztalat.

Közönség

  • Adatelemzők
  • Adattudósok
  • Adatmérnökök
  • Fejlesztők
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok