Kurzusleírás
- Gépesített tanulás bevezetése
- Gépesített tanulás mint mesékészítés részeként
- ML típusok
- ML algoritmusok
- Gépesített tanulás kihívásai és potenciális felhasználása
- Overfitting és bias-variance egyensúly gépesített tanulásban
- Gépesített tanulás technikái
- A Machine Learning munkafolyamat
- Felügyelt tanulás – Osztályozás, Regreszió
- Felügyetlen tanulás – Csoportosítás, Anomália detektálás
- Félfelügyelt tanulás és Reinforcement Learning
- Fontosság Machine Learning-ben
- Adat előfeldolgozás
- Adat előkészítése és átalakítása
- Jellemző mérnöki munkák
- Jellemző méretezése
- Dimenziócsökkentés és változó választás
- Adat vizualizáció
- Exploratórikus elemzés
- Esemény tanulmányok
- Fejlett jellemző mérnöki munkák és hatásuk a lineáris regresszióban a predikcióra
- Időszéri elemzés és Forecasting havi eladási mennyiség – alapvető módszerek, szezonális beállítás, regreszió, exponenciális simítás, ARIMA, neurális hálózatok
- Piaci kosár elemzés és kapcsolati szabályok bányászata
- Szegmentálási elemzés csoportosítás és önorganizáló térképek használatával
- Osztályozás, hogy melyik ügyfél valószínűleg alulmarad logisztikus regresszió, döntési fák, xgboost, svm használatával
Követelmények
Machine Learning alapok ismerete és ismerete
Vélemények (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.