Kurzusleírás
Bevezetés az alkalmazott gépi tanulásba
- Statisztikai tanulás és gépi tanulás összehasonlítása
- Iteráció és kiértékelés
- Torzítás-variancia kompromisszum
- Felügyelt és felügyelet nélküli tanulás
- Gépi tanulással megoldható problémák
- Tanító-ellenőrző-teszt – gépi tanulási munkafolyamat a túlillesztés elkerülésére
- A gépi tanulás munkafolyamata
- Gépi tanulási algoritmusok
- A problémához illő algoritmus kiválasztása
Algoritmusok kiértékelése
-
Numerikus előrejelzések értékelése
- Pontossági mérőszámok: ME, MSE, RMSE, MAPE
- Paraméter- és előrejelzés-stabilitás
-
Osztályozó algoritmusok értékelése
- A pontosság és annak problémái
- A konfúziós mátrix
- A kiegyensúlyozatlan osztályok problémája
-
A modell teljesítményének vizualizálása
- Profitgörbe
- ROC-görbe
- Lift-görbe
- Modellválasztás
- Modellhangolás – rácskeresési stratégiák
Adatelőkészítés a modellezéshez
- Adatok importálása és tárolása
- Az adatok megértése – alapvető feltárások
- Adatmanipuláció a pandas könyvtárral
- Adattranszformációk – adattisztítás
- Feltáró elemzés
- Hiányzó megfigyelések – észlelés és megoldások
- Kiugró értékek – észlelés és stratégiák
- Standardizálás, normalizálás, binarizálás
- Minőségi adatok átkódolása
Gépi tanulási algoritmusok a kiugró értékek észlelésére
-
Felügyelt algoritmusok
- KNN
- Ensemble Gradient Boosting
- SVM
-
Felügyelet nélküli algoritmusok
- Távolság alapú
- Sűrűség alapú módszerek
- Valószínűségi módszerek
- Modell alapú módszerek
A mély tanulás megértése
- A mély tanulás alapfogalmainak áttekintése
- A gépi tanulás és a mély tanulás megkülönböztetése
- A mély tanulás alkalmazási területeinek áttekintése
A neurális hálózatok áttekintése
- Mik azok a neurális hálózatok
- Neurális hálózatok és regressziós modellek összehasonlítása
- A matematikai alapok és tanulási mechanizmusok megértése
- Mesterséges neurális hálózat felépítése
- Neurális csomópontok és kapcsolatok megértése
- Munka neuronokkal, rétegekkel, valamint bemeneti és kimeneti adatokkal
- Az egyrétegű perceptronok megértése
- A felügyelt és felügyelet nélküli tanulás közötti különbségek
- Előrecsatolt és visszacsatolt neurális hálózatok megismerése
- Az előreterjedés és a visszaterjedés megértése
Egyszerű mély tanulási modellek építése Kerasszal
- Keras-modell létrehozása
- Az adatok megértése
- A mély tanulási modell meghatározása
- A modell fordítása
- A modell illesztése
- Munka az osztályozási adatokkal
- Munka az osztályozó modellekkel
- A modellek használata
Munka a TensorFlow-val a mély tanulásban
-
Az adatok előkészítése
- Az adatok letöltése
- Tanító adatok előkészítése
- Tesztadatok előkészítése
- Bemenetek skálázása
- Helyőrzők és változók használata
- A hálózati architektúra meghatározása
- A költségfüggvény használata
- Az optimalizáló használata
- Inicializálók használata
- A neurális hálózat illesztése
-
A gráf felépítése
- Következtetés
- Veszteség
- Tanítás
-
A modell betanítása
- A gráf
- A munkamenet
- Tanítási ciklus
-
A modell kiértékelése
- A kiértékelő gráf felépítése
- Kiértékelés a kiértékelő kimenettel
- Modellek betanítása nagy léptékben
- Modellek vizualizálása és értékelése TensorBoarddal
A mély tanulás alkalmazása az anomáliadetektálásban
-
Autoencoder
- Kódoló-dekódoló architektúra
- Rekonstrukciós veszteség
-
Variációs autoencoder
- Variációs következtetés
-
Generatív adversarialis hálózat
- Generátor–diszkriminátor architektúra
- Anomáliadetektálási megközelítések GAN-nal
Ensemble keretrendszerek
- Különböző módszerek eredményeinek kombinálása
- Bootstrap aggregálás
- A kiugró érték pontszám átlagolása
Követelmények
- Python programozási tapasztalat
- Alapvető statisztikai és matematikai ismeretek
Célközönség
- Fejlesztők
- Adattudósok
Vélemények (5)
A képzés érdekes áttekintést adott mély tanulási modellek és azokhoz kapcsolódó módszerekről. A témát korábban csak kevésbé ismertem, de most úgy érzem, valójában tudom, miből áll az mesterséges intelligencia (AI) és a gépi tanulás (ML), milyen fogalmakból állnak és hogyan használhatók előnyösebben. Általánosságban szerettek azt a módszert, hogy statisztikai háttérrel kezdődött és alapvető tanulási modellekkel, mint például a lineáris regresszióval, különösen kiemelten azon közt megoldott gyakorlatokra.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurzus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Gépi fordítás
Anna mindig kérdezett, vannak-e kérdései az előadásról, és mindig próbált aktívabbá tenni minket kérdéseivel, ami nagyon jól bevonódnak a képzésbe.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurzus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Gépi fordítás
Szerettem, hogyan egyesítették a gyakorlatokkal.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurzus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Gépi fordítás
A tanár átfogó tapasztalata / tudása
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurzus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Gépi fordítás
a virtuális gép egy szép ötlet
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurzus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Gépi fordítás
