Kurzusleírás

Bevezetés az Appliedbe Machine Learning

    Statisztikai tanulás vs. gépi tanulás Iteráció és értékelés Elfogultság-variáns kompromisszum Felügyelt és nem felügyelt tanulás A problémák a Machine Learning segítségével megoldva Train Validation Test – ML munkafolyamat a túlillesztés elkerülése érdekében Machine Learning Gépi tanulási algoritmusok munkafolyamata A megfelelő algoritmus kiválasztása a problémához

Algoritmus értékelése

    Numerikus előrejelzések kiértékelése Pontossági mérőszámok: ME, MSE, RMSE, MAPE Paraméterek és előrejelzési stabilitás
Osztályozási algoritmusok kiértékelése Pontosság és problémái
  • A zavaros mátrix
  • Kiegyensúlyozatlan osztályok probléma
  • A modell teljesítményének megjelenítése Profit görbe
  • ROC görbe
  • Emelési görbe
  • Modell kiválasztása
  • Modellhangolás – rácskeresési stratégiák
  • Az adatok előkészítése a modellezéshez
  • Adatimportálás és -tárolás Ismerje meg az adatokat – alapfelderítések Adatmanipulációk panda könyvtárral Adatátalakítások – Adatviszály Feltáró elemzés Hiányzó megfigyelések – észlelés és megoldások Outliers – észlelés és stratégiák Szabványosítás, normalizálás, binarizálás Kvalitatív adatok átkódolása
  • Gépi tanulási algoritmusok Outlier-észleléshez
  • Felügyelt algoritmusok KNN Ensemble Gradient Boosting SVM

      Felügyelet nélküli algoritmusok Távolság alapú

    Sűrűség alapú módszerek

      Valószínűségi módszerek
    Modell alapú módszerek
  • Megértés Deep Learning
  • A mély tanulás alapfogalmainak áttekintése A Machine Learning és a mélytanulás közötti különbségtétel A mélytanulási alkalmazások áttekintése
  • A Neural Networks áttekintése
  • Mik azok Neural Networks Neural Networks vs regressziós modellek A matematikai alapok és tanulási mechanizmusok megértése Mesterséges neurális hálózat létrehozása Neurális csomópontok és kapcsolatok megértése Neuronokkal, rétegekkel, valamint bemeneti és kimeneti adatokkal Az egyrétegű perceptronok megértése Különbségek a felügyelt és a tanulatlan tanulás között és Visszacsatolás Neural Networks Az előre terjedés és a visszaterjesztés megértése
  • Egyszerű mély tanulási modellek felépítése a Keras segítségével

      Modell készítése Keras Az Ön adatainak megértése A mélytanulási modell megadása A modell összeállítása A modell illesztése Az Ön osztályozási adataival való munka Osztályozási modellekkel való munka a modellek használatával

    Együttműködés a TensorFlow-val a Deep Learningért

      Az adatok előkészítése Az adatok letöltése A képzési adatok előkészítése Tesztadatok skálázási bemeneteinek előkészítése helyőrzők és változók használatával

    A hálózati architektúra megadása

      A Költségfüggvény használata

    Az optimalizáló használata

      Inicializátorok használata
    A neurális hálózat illesztése
  • A gráfkövetkeztetés felépítése
  • Veszteség
  • Kiképzés
  • A modell betanítása A grafikon
  • Az ülésszak
  • Vonathurok
  • Az Eval Graph felépítő modell értékelése
  • Értékelés az Eval Output segítségével
  • Képzési modellek méretben
  • Modellek megjelenítése és értékelése TensorBoard segítségével
  • Az Deep Learning alkalmazása anomália-észlelésben
  • Autoencoder Encoder – Dekóder architektúra Rekonstrukciós veszteség
  • Variational Autencoder Variációs következtetés
  • Generatív Adversarial Network Generator – Diskriminátor architektúra
  • Az AN megközelítése GAN használatával
  • Ensemble Frameworks
  • Különböző módszerek eredményeinek kombinálása Bootstrap Aggregating Avering outlier score
  •  
  • Követelmények

    • Python programozási tapasztalat
    • Statisztikai és matematikai fogalmak alapvető ismerete

    Közönség

    • Fejlesztők
    • Adattudósok
      28 Hours

    Résztvevők száma


    Tanfolyam kezdete

    Tanfolyam vége


    Dates are subject to availability and take place between 09:30 and 16:30.

    Ár per résztvevő

    Rokon tanfolyam

    Rokon kategóriák