Plan Szkolenia

Wprowadzenie

Konfigurowanie środowiska pracy

Przegląd funkcji AutoML

Jak AutoML bada algorytmy

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs itp.

Rozwiązywanie problemów według przypadków użycia

Rozwiązywanie problemów według typu danych szkoleniowych

Rozważania dotyczące prywatności danych

Rozważania dotyczące kosztów

Przygotowanie danych

Praca z danymi liczbowymi i kategorycznymi

  • Dane tabelaryczne IID (H2O AutoML, auto-sklearn, TPOT)

Praca z danymi zależnymi od czasu (dane szeregów czasowych)

Klasyfikowanie nieprzetworzonego tekstu

Klasyfikowanie surowych danych obrazu

  • Deep Learning i architektura neuronowa Search (TensorFlow, PyTorch, Auto-Keras itd.)

Wdrażanie metody AutoML

Spojrzenie na algorytmy wewnątrz AutoML

Łączenie różnych modeli

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Doświadczenie z algorytmami uczenia maszynowego.
  • Python lub doświadczenie w programowaniu w języku R.

Publiczność

  • Analitycy danych
  • Naukowcy danych
  • Inżynierowie danych
  • Deweloperzy
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Nadchodzące szkolenia