Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie i Konfiguracja Środowiska
- Co to jest AutoML i dlaczego jest ważne
- Konfiguracja środowisk Python i R
- Konfiguracja zdalnego pulpitu i środowisk chmurowych
Badanie Funkcji AutoML
- Podstawowe możliwości ram AutoML
- Optymalizacja hiperparametrów i strategie wyszukiwania
- Interpretacja wyjść i logów AutoML
Jak AutoML Wybiera Algorytmy
- Maszyny Gradient Boosting (GBM), Lasy Losowe, GLM
- Sieci neuronowe i backendi uczenia głębokiego
- Kompromisy: dokładność vs. interpretowalność vs. koszt
Przygotowanie i Przetwarzanie Danych
- Praca z danymi numerycznymi i kategorycznymi
- Inżynieria cech i strategie kodowania
- Obsługa braków danych i niezbilansowanych danych
AutoML dla Różnych Typów Danych
- Dane tabularne (H2O AutoML, auto-sklearn, TPOT)
- Dane czasowe (prognozowanie i modelowanie sekwencyjne)
- Zadania tekstowe i NLP (klasyfikacja, analiza sentymentu)
- Klasyfikacja obrazów i komputerowe wzrokowanie (Auto-Keras, TensorFlow, PyTorch)
Wdrażanie i Monitorowanie Modeli
- Eksportowanie i wdrażanie modeli AutoML
- Budowanie rurociągów do przewidywania w czasie rzeczywistym
- Monitorowanie odchyleń modeli i strategie ponownego trenowania
Ensembling i Zaawansowane Tematy
- Stosowanie i łączenie modeli AutoML
- Zapewnienie prywatności i zgodności
- Optymalizacja kosztów dla AutoML w dużą skalę
Rozwiązywanie Problemów i Studia Przypadków
- Częste błędy i ich naprawa
- Interpretacja wydajności modeli AutoML
- Studia przypadków z zastosowań przemysłowych
Podsumowanie i Krok Dalej
Wymagania
- Doświadczenie z algorytmami uczenia maszynowego Python lub doświadczenie w programowaniu R
Grupa docelowa
- Analitycy danych Naukowcy danych Inżynierowie danych Programiści
14 godzin