Bądźmy w kontakcie
 Czas trwania 28 godzin

Plan Szkolenia

Uczenie nadzorowane: klasyfikacja i regresja

  • Uczenie maszynowe w Pythonie: wprowadzenie do API scikit-learn
    • regresja liniowa i logistyczna
    • maszyna wektorów nośnych
    • sieci neuronowe
    • las losowy
  • Tworzenie kompletnego potoku uczenia nadzorowanego z użyciem scikit-learn
    • praca z plikami danych
    • imputacja brakujących wartości
    • obsługa zmiennych kategorycznych
    • wizualizacja danych

Frameworki Pythona do zastosowań AI:

  • TensorFlow, Theano, Caffe i Keras
  • AI na dużą skalę z Apache Spark: MLlib

Zaawansowane architektury sieci neuronowych

  • splotowe sieci neuronowe do analizy obrazów
  • rekurencyjne sieci neuronowe do danych o strukturze czasowej
  • komórka długiej pamięci krótkoterminowej (LSTM)

Uczenie nienadzorowane: klastrowanie i wykrywanie anomalii

  • implementacja analizy głównych składowych z użyciem scikit-learn
  • implementacja autoenkoderów w Keras

Praktyczne przykłady problemów, które AI może rozwiązać (ćwiczenia praktyczne z użyciem notatników Jupyter), np.

  • analiza obrazów
  • prognozowanie złożonych szeregów finansowych, takich jak ceny akcji
  • złożone rozpoznawanie wzorców
  • przetwarzanie języka naturalnego
  • systemy rekomendacyjne

Zrozumienie ograniczeń metod AI: tryby awarii, koszty i typowe trudności

  • przeuczenie
  • kompromis między obciążeniem a wariancją
  • obciążenia w danych obserwacyjnych
  • zatruwanie sieci neuronowych

Praca nad projektem stosowanym (opcjonalnie)

Wymagania

Uczestnictwo w tym kursie nie wymaga spełnienia żadnych szczególnych wymagań.

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie