Plan Szkolenia

Uczenie nadzorowane: klasyfikacja i regresja

  • Machine Learning w Python: wprowadzenie do API scikit-learn
    • regresja liniowa i logistyczna
    • maszyna wektorów nośnych
    • sieci neuronowe
    • las losowy
  • Konfigurowanie kompleksowego potoku nadzorowanego uczenia się przy użyciu scikit-learn
    • praca z plikami danych
    • imputacja brakujących wartości
    • obsługa zmiennych kategorycznych
    • wizualizacja danych

Python frameworki dla aplikacji AI:

  • TensorFlow, Theano, Caffe i Keras.
  • Sztuczna inteligencja na dużą skalę z Apache Spark: Mlib

Zaawansowane architektury sieci neuronowych

  • konwolucyjne sieci neuronowe do analizy obrazu
  • rekurencyjne sieci neuronowe dla danych o strukturze czasowej
  • komórka długiej pamięci krótkotrwałej

Uczenie bez nadzoru: grupowanie, wykrywanie anomalii

  • implementacja analizy składowych głównych za pomocą scikit-learn
  • implementacja autoenkoderów w Keras

Praktyczne przykłady problemów, które może rozwiązać sztuczna inteligencja (ćwiczenia praktyczne z wykorzystaniem notatników Jupyter), np.

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

Zrozumienie ograniczeń metod sztucznej inteligencji: sposoby niepowodzenia, koszty i typowe trudności

  • nadmierne dopasowanie
  • kompromis stronniczość/zmienność
  • uprzedzenia w danych obserwacyjnych
  • zatruwanie sieci neuronowych

Praca nad projektem stosowanym (opcjonalnie)

Wymagania

Aby wziąć udział w tym kursie, nie trzeba spełniać żadnych szczególnych wymagań.

 28 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Nadchodzące szkolenia

Powiązane Kategorie