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
- Czym jest AutoML i dlaczego jest ważne
- Konfiguracja środowisk Python i R
- Konfiguracja zdalnych pulpitów i środowisk chmurowych
Poznanie funkcji AutoML
- Kluczowe możliwości frameworków AutoML
- Optymalizacja hiperparametrów i strategie wyszukiwania
- Interpretacja wyników i logów AutoML
Jak AutoML wybiera algorytmy
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- Sieci neuronowe i zaplecza deep learning
- Kompromisy: dokładność vs. interpretowalność vs. koszt
Przygotowanie i przetwarzanie danych
- Praca z danymi numerycznymi i kategorycznymi
- Inżynieria cech i strategie kodowania
- Obsługa brakujących wartości i nierównowagi danych
AutoML dla różnych typów danych
- Dane tabelaryczne (H2O AutoML, auto-sklearn, TPOT)
- Dane szeregów czasowych (prognozowanie i modelowanie sekwencyjne)
- Zadania tekstowe i NLP (klasyfikacja, analiza sentymentu)
- Klasyfikacja obrazów i przetwarzanie wizyjne (Auto-Keras, TensorFlow, PyTorch)
Wdrażanie i monitorowanie modeli
- Eksportowanie i wdrażanie modeli AutoML
- Budowanie potoków do predykcji w czasie rzeczywistym
- Monitorowanie dryfu modelu i strategie ponownego trenowania
Ensembling i zaawansowane tematy
- Stacking i blending modeli AutoML
- Zagadnienia prywatności i zgodności
- Optymalizacja kosztów dla AutoML na dużą skalę
Rozwiązywanie problemów i studia przypadków
- Typowe błędy i sposoby ich naprawy
- Interpretacja wydajności modeli AutoML
- Studia przypadków z zastosowań przemysłowych
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie w zakresie algorytmów uczenia maszynowego
- Doświadczenie w programowaniu w Pythonie lub R
Grupa docelowa
- Analitycy danych
- Data scientists
- Inżynierowie danych
- Programiści
14 godzin