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

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie