Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Uczenie się pod nadzorem: klasyfikacja i regresja
- Uczenie maszynowe w Python: wprowadzenie do API scikit-learn regresja liniowa i logistyczna obsługująca wektor maszynowe sieci neuronowe losowy las
TensorFlow, Theano, Caffe i Keras AI w skali z Apache Spark: Mlib
- Zaawansowane architektury sieci neuronowych
splotowe sieci neuronowe do analizy obrazu rekurencyjne sieci neuronowe dla danych o strukturze czasowej komórka pamięci długotrwałej i krótkotrwałej
- Uczenie się bez nadzoru: grupowanie, wykrywanie anomalii
implementacja analizy głównych składowych za pomocą scikit-learn implementująca autoenkodery w Keras
- Praktyczne przykłady problemów, które AI może rozwiązać (ćwiczenia praktyczne z wykorzystaniem notatników Jupyter), np
analiza obrazu prognozowanie złożonych szeregów finansowych, takich jak ceny akcji, rozpoznawanie złożonych wzorców, przetwarzanie języka naturalnego, systemy rekomendacyjne
- Zrozumienie ograniczeń metod sztucznej inteligencji: rodzaje awarii, koszty i typowe trudności
nadmierne dopasowanie błędu systematycznego/wariancji w zatruwaniu sieci neuronowej danymi obserwacyjnymi
- Stosowana praca projektowa (opcjonalnie)
Wymagania
Aby wziąć udział w tym kursie, nie trzeba spełniać żadnych szczególnych wymagań.
28 godzin
Opinie uczestników (1)
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete