Kurzusleírás
Bevezetés
- Hatékony algoritmusok felépítése mintafelismerésben, osztályozásban és regresszióban.
A Fejlesztési Környezet kialakítása
- Python könyvtárak
- Online vs offline szerkesztők
A Feature Engineering áttekintése
- Bemeneti és kimeneti változók (jellemzők)
- A funkciótervezés előnyei és hátrányai
A nyers adatokkal kapcsolatos problémák típusai
- Tisztátlan adatok, hiányzó adatok stb.
Előfeldolgozási változók
- A hiányzó adatok kezelése
Az adatokból hiányzó értékek kezelése
Kategorikus változókkal való munka
Címkék konvertálása számokká
Címkék kezelése kategorikus változókban
Változók átalakítása a prediktív képesség javítása érdekében
- Numerikus, kategorikus, dátum stb.
Adatkészlet tisztítása
Machine Learning Modellezés
Kiugró értékek kezelése az adatokban
- Numerikus változók, kategorikus változók stb.
Összefoglalás, és következtetés
Követelmények
- Python programozási tapasztalat.
- Tapasztalat a Numpy-val, a Pandákkal és a scikit-learn-nel.
- A gépi tanulási algoritmusok ismerete.
Közönség
- Fejlesztők
- Adattudósok
- Adatelemzők
Vélemények (2)
Az ML ekoszisztéma nem csak MLFlow-t, hanem Optuna, hyperops, docker és docker-compose is tartalmazza.
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
I élveztem a részvételt a Kubeflow képzésen, amelyet távolról tartottak. Ez a képzés lehetővé tette számomra, hogy megfossam az AWS szolgáltatások, a K8s, és az összes Kubeflow-hoz tartozó devOps eszköz ismereteit, amelyek a tárgy megfelelő megközelítéséhez szükségesek. Köszönöm Malawski Marcinnek a kitartását és a szakmai hozzáállását a képzés és a legjobb gyakorlatok tanácsai során. Malawski különböző szempontokból közelíti meg a tárgyat, különböző telepítési eszközök Ansible, EKS kubectl, Terraform. Most biztos vagyok benne, hogy a megfelelő alkalmazási területre léptek.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás