XGBoost for Gradient Boosting Kurzusok
Az XGBoost egy döntésalapú ensemble Machine Learning algoritmus. A gradient boosting keretet használ a strukturálatlan adatokat, például képeket és szöveget érintő előrejelzési problémák megoldására. A gradient boosting is népszerű technika a táblázati adatkészletek hatékony modellezéséhez.
Ez az oktató által vezetett, élő képzés (online vagy online) olyan adattudósokra összpontosít, akik az XGBoost használatát szeretnék olyan modelleket építeni, amelyek hatékonyan megoldják a regressziós, osztályozási, rangsorolási és előrejelzési problémákat.
A képzés befejezése után a résztvevők képesek lesznek:
- Telepítse és konfigurálja az XGBoost-t.
- Ismerje meg a döntésfák és más algoritmusok közötti kapcsolatot, mint például a logisztikai regresszió és a véletlenszerű erdő.
- Próbálja ki a különböző könyvtárakat, hogy meghatározzák a legjobbakat a munkához.
- Válassza ki a megfelelő konfigurációt egy algoritmushoz.
- Tüntesse meg az algoritmus hiperparamétereit egy adott adatkészlethez.
- Végezzen egy gépi tanulási megoldást, amely kiegyensúlyozza a teljesítményt a bonyolultsággal, a magyarázhatósággal és a végrehajtás könnyűségével.
A kurzus formája
- Interaktív előadás és vita.
- Rengeteg gyakorlat és gyakorlat.
- Hands-on megvalósítás egy élő laboratóriumi környezetben.
Szakképesítési lehetőségek
- Ahhoz, hogy egy személyre szabott képzést kérjen erre a kurzusra, kérjük, vegye fel velünk a kapcsolatot a rendezéshez.
Kurzusleírás
Bevezetés
- Mesterséges neurális hálózatok kontra döntési fa alapú algoritmusok
Az XGBoost szolgáltatásainak áttekintése
- Elements egy Gradient Boosting algoritmus
- Koncentráljon a számítási sebességre és a modell teljesítményére
- XGBoost vs Logistic Regression, Random Forest és szabványos Gradient Boosting
A faalapú algoritmusok evolúciója
- Döntési fák, zsákolás, Random Forest, kiemelés, színátmenet növelése
- Rendszer optimalizálás
- Algoritmikus fejlesztések
A környezet előkészítése
- A SciPy és a scikit-learn telepítése
XGBoost modell létrehozása
- Adatkészlet letöltése
- Gyakori osztályozási probléma megoldása
- Az XGBoost modell osztályozásra való betanítása
- Oldjon meg egy közös regressziós feladatot!
Teljesítmény figyelése
- A teljesítmény értékelése és jelentése
- Korai megállás
Jellemzők ábrázolása fontosság szerint
- A jellemző fontosságának kiszámítása
- Annak eldöntése, hogy mely bemeneti változókat kívánja megtartani vagy elvetni
A Gradient Boosting konfigurálása
- Tekintse át a tanulási görbéket a képzési és érvényesítési adatkészleteken
- A tanulási sebesség beállítása
- A fák számának beállítása
Hiperparaméter hangolás
- Az XGBoost modell teljesítményének javítása
- Ellenőrzött kísérlet tervezése a hiperparaméterek hangolására
- Searchparaméterek kombinációi
Csővezeték létrehozása
- XGBoost modell beépítése egy végpontok közötti gépi tanulási folyamatba
- Hiperparaméterek hangolása a folyamatban
- Fejlett előfeldolgozási technikák
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- Tapasztalja meg a gépi tanulási modellek írását
Közönség
- Adattudósok
- Gépi tanulási mérnökök
A nyílt képzésekhez 5+ résztvevő szükséges.
XGBoost for Gradient Boosting Kurzusok - Foglalás
XGBoost for Gradient Boosting Kurzusok - Vizsgálat
XGBoost for Gradient Boosting - Érdeklődjön a vezetői tanácsadásról!
Közelgő kurzusok
Rokon tanfolyam
H2O AutoML
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik a H2O AutoML segítségével szeretnék automatizálni a legjobb gépi tanulási algoritmus és paraméterek felépítésének és kiválasztásának folyamatát.
A képzés végére a résztvevők képesek lesznek:
- Automatizálja a gépi tanulási munkafolyamatot.
- Számos gépi tanulási modell automatikus betanítása és hangolása meghatározott időtartományon belül.
- Az egymásra helyezett együttesek képzése a rendkívül prediktív együttes modellek eléréséhez.
AutoML with Auto-sklearn
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a gépi tanulással foglalkozó szakembereknek szól, akik szeretnék a Auto-sklearn segítségével automatizálni a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.
A képzés végére a résztvevők képesek lesznek:
- Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
- Építsen rendkívül pontos gépi tanulási modelleket, miközben megkerüli a különböző modellek kiválasztásának, betanításának és tesztelésének unalmasabb feladatait.
- Használja a gépi tanulás erejét valós üzleti problémák megoldására.
AutoML with Auto-Keras
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) adattudósoknak, valamint kevésbé technikai személyeknek szól, akik az Auto-Keras segítségével automatizálják a gépi tanulási modell kiválasztásának és optimalizálásának folyamatát.
A képzés végére a résztvevők képesek lesznek:
- Automatizálja a rendkívül hatékony gépi tanulási modellek betanítási folyamatát.
- Automatikusan keresse meg a legjobb paramétereket a mély tanulási modellekhez.
- Építsen nagyon pontos gépi tanulási modelleket.
- Használja a gépi tanulás erejét valós üzleti problémák megoldására.
Introduction to Stable Diffusion for Text-to-Image Generation
21 ÓrákEz az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak, gépi tanulási mérnököknek és számítógépes látáskutatóknak szól, akik a Stable Diffusion segítségével szeretnék kiváló minőségű képeket készíteni különféle felhasználási esetekben.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg a Stable Diffusion alapelveit, és hogyan működik a képalkotás során. Építsen és képezzen Stable Diffusion modelleket képgenerálási feladatokhoz. Alkalmazza a Stable Diffusion-t különféle képgenerálási forgatókönyvekre, mint például a befestés, az outpainting és a kép-kép fordítás. Optimalizálja Stable Diffusion modell teljesítményét és stabilitását.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) közép- és haladó szintű adattudósoknak, gépi tanulási mérnököknek, mély tanulással foglalkozó kutatóknak és számítógépes látásszakértőknek szól, akik szeretnék bővíteni tudásukat és készségeiket a mélytanulásban. szöveg-kép létrehozásához.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg a fejlett mély tanulási architektúrákat és technikákat a szövegből képpé generáláshoz. Valósítson meg összetett modelleket és optimalizálásokat a kiváló minőségű képszintézis érdekében. Optimalizálja a teljesítményt és a méretezhetőséget nagy adatkészletekhez és összetett modellekhez. Hangolja be a hiperparamétereket a jobb modellteljesítmény és általánosítás érdekében. Integrálja a Stable Diffusion-t más mély tanulási keretrendszerekkel és eszközökkel
AlphaFold
7 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a biológusoknak szól, akik szeretnék megérteni AlphaFold működését, és AlphaFold modelleket kívánnak útmutatóként használni kísérleti tanulmányaik során.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg az AlphaFold alapelveit.
- Ismerje meg, hogyan működik AlphaFold.
- Tanulja meg, hogyan kell értelmezni AlphaFold előrejelzéseket és eredményeket.
TensorFlow Lite for Embedded Linux
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási modelleket kívánnak telepíteni beágyazott eszközökön.
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja a Tensorflow Lite-ot egy beágyazott eszközön.
- Ismerje meg a mögöttes fogalmakat és összetevőket TensorFlow Lite.
- Konvertálja a meglévő modelleket TensorFlow Lite formátumba a beágyazott eszközökön való végrehajtáshoz.
- Dolgozzon a kis eszközök és TensorFlow Lite korlátain belül, miközben megtanulja, hogyan bővítheti a futtatható műveletek körét.
- Telepítsen mély tanulási modellt egy Linuxot futtató beágyazott eszközön.
TensorFlow Lite for Android
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező mobilalkalmazásokat kívánnak fejleszteni.
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja TensorFlow Lite.
- Ismerje meg a TensorFlow, a gépi tanulás és a mély tanulás mögött meghúzódó elveket.
- Töltse be a TensorFlow modelleket egy Android-eszközre.
- Engedélyezze a mélytanulási és gépi tanulási funkciókat, például a számítógépes látást és a természetes nyelvfelismerést egy mobilalkalmazásban.
Tensorflow Lite for Microcontrollers
21 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik nagyon kicsi beágyazott eszközökön szeretnének gépi tanulási modelleket írni, betölteni és futtatni.
A képzés végére a résztvevők képesek lesznek:
- Telepítse TensorFlow Lite.
- Töltsön be gépi tanulási modelleket egy beágyazott eszközre, hogy lehetővé tegye a beszéd észlelését, a képek osztályozását stb.
- Adjon hozzá mesterséges intelligenciát a hardvereszközökhöz anélkül, hogy a hálózati kapcsolatra támaszkodna.
TensorFlow Lite for iOS
21 ÓrákEz az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a fejlesztőknek szól, akik a TensorFlow Lite segítségével mély tanulási képességekkel rendelkező iOS mobilalkalmazásokat kívánnak fejleszteni.
A képzés végére a résztvevők képesek lesznek:
- Telepítse és konfigurálja TensorFlow Lite.
- Ismerje meg a TensorFlow és a gépi tanulás mögött meghúzódó elveket a mobileszközökön.
- Töltse be a TensorFlow modelleket egy iOS-eszközre.
- Futtasson egy iOS-alkalmazást, amely képes észlelni és osztályozni az eszköz kameráján keresztül rögzített objektumot.
Edge AI with TensorFlow Lite
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű fejlesztőknek, adattudósoknak és mesterséges intelligenciával foglalkozó szakembereknek szól, akik szeretnék kihasználni a TensorFlow Lite for Edge AI alkalmazásokat.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg a TensorFlow Lite alapjait és szerepét az Edge AI-ben.
- AI modellek fejlesztése és optimalizálása a TensorFlow Lite segítségével.
- Telepítse a TensorFlow Lite modelleket különféle éleszközökön.
- Használjon eszközöket és technikákat a modellkonverzióhoz és -optimalizáláshoz.
- Valósítson meg gyakorlati Edge AI-alkalmazásokat a TensorFlow Lite segítségével.
Optimizing AI Models for Edge Devices
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű mesterségesintelligencia-fejlesztőknek, gépi tanulási mérnököknek és rendszertervezőknek szól, akik optimalizálni szeretnék az AI-modelleket az élvonalbeli telepítéshez.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg az AI-modellek szélső eszközökön történő telepítésének kihívásait és követelményeit.
- Alkalmazzon modelltömörítési technikákat az AI-modellek méretének és összetettségének csökkentése érdekében.
- Használjon kvantálási módszereket a modell hatékonyságának növelésére az élhardvereken.
- A modell teljesítményének javítása érdekében metszés és egyéb optimalizálási technikák alkalmazása.
- Vezessen be optimalizált mesterséges intelligencia modelleket különböző szélső eszközökön.
Edge AI in Industrial Automation
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű ipari mérnököknek, gyártó szakembereknek és mesterséges intelligencia-fejlesztőknek szól, akik az Edge AI-megoldásokat kívánják megvalósítani az ipari automatizálásban.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg az Edge AI szerepét az ipari automatizálásban.
- Valósítson meg prediktív karbantartási megoldásokat az Edge AI segítségével.
- Alkalmazzon mesterséges intelligencia technikákat a gyártási folyamatok minőségellenőrzésére.
- Optimalizálja az ipari folyamatokat az Edge AI segítségével.
- Telepítse és kezelje az Edge AI megoldásokat ipari környezetben.
Edge AI for Financial Services
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű pénzügyi szakembereknek, fintech-fejlesztőknek és mesterséges intelligencia-specialistáknak szól, akik az Edge AI-megoldásokat szeretnék megvalósítani a pénzügyi szolgáltatásokban.
A képzés végére a résztvevők képesek lesznek:
- Ismerje meg az Edge AI szerepét a pénzügyi szolgáltatásokban.
- Alkalmazzon csalásészlelő rendszereket az Edge AI használatával.
- Fokozza az ügyfélszolgálatot mesterséges intelligencia által vezérelt megoldásokkal.
- Alkalmazza az Edge AI-t a kockázatkezeléshez és a döntéshozatalhoz.
- Telepítse és kezelje az Edge AI megoldásokat pénzügyi környezetben.
Deep Learning Neural Networks with Chainer
14 ÓrákEz az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a kutatóknak és fejlesztőknek szól, akik a Chainer segítségével neurális hálózatokat szeretnének felépíteni és betanítani a Python-ban, miközben megkönnyítik a kód hibakeresését.
A képzés végére a résztvevők képesek lesznek:
- Állítsa be a szükséges fejlesztői környezetet a neurális hálózati modellek fejlesztésének megkezdéséhez.
- Neurális hálózati modellek meghatározása és megvalósítása érthető forráskód segítségével.
- Példák végrehajtása és meglévő algoritmusok módosítása a mély tanulási képzési modellek optimalizálása érdekében, miközben kihasználja GPU-eket a nagy teljesítmény érdekében.