Bądźmy w kontakcie

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
  • Konfigurowanie kompleksowego procesu 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: Mlib

Zaawansowane architektury sieci neuronowych

  • konwolucyjne sieci neuronowe do analizy obrazów
  • rekurencyjne sieci neuronowe do danych o strukturze czasowej
  • komórka pamięci długotrwałej

Uczenie nienadzorowane: grupowanie, 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 Jupyter Notebooks), 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 częste trudności

  • przeuczenie
  • kompromis między błędem a wariancją
  • błędy w danych obserwacyjnych
  • zatruwanie sieci neuronowych

Praca nad projektem praktycznym (opcjonalnie)

Wymagania

Nie są wymagane żadne szczególne umiejętności, aby uczestniczyć w tym kursie.

 28 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie