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

Liczba uczestników


Cena za uczestnika

Propozycje terminów

Powiązane Kategorie