Plan Szkolenia
Wprowadzenie do stosowanego uczenia maszynowego
- Uczenie statystyczne a uczenie maszynowe
- Iteracja i ocena
- Kompromis między obciążeniem a wariancją
- Uczenie nadzorowane a nienadzorowane
- Problemy rozwiązywane za pomocą uczenia maszynowego
- Zbiór treningowy, walidacyjny i testowy – proces uczenia maszynowego w celu uniknięcia przeuczenia
- Przebieg procesu uczenia maszynowego
- Algorytmy uczenia maszynowego
- Wybór odpowiedniego algorytmu do problemu
Ocena algorytmów
-
Ocena przewidywań numerycznych
- Miary dokładności: ME, MSE, RMSE, MAPE
- Stabilność parametrów i przewidywań
-
Ocena algorytmów klasyfikacyjnych
- Dokładność i jej problemy
- Macierz pomyłek
- Problem niezbalansowanych klas
-
Wizualizacja wydajności modelu
- Krzywa zysku
- Krzywa ROC
- Krzywa przyrostu
- Wybór modelu
- Dostrajanie modelu – strategie przeszukiwania siatki
Przygotowanie danych do modelowania
- Import i przechowywanie danych
- Zrozumienie danych – podstawowe eksploracje
- Manipulacje danymi z biblioteką pandas
- Transformacje danych – porządkowanie danych
- Analiza eksploracyjna
- Brakujące obserwacje – wykrywanie i rozwiązania
- Wartości odstające – wykrywanie i strategie
- Standaryzacja, normalizacja, binaryzacja
- Przekodowywanie danych jakościowych
Algorytmy uczenia maszynowego do wykrywania wartości odstających
-
Algorytmy nadzorowane
- KNN
- Zespołowe wzmacnianie gradientowe
- SVM
-
Algorytmy nienadzorowane
- Oparte na odległości
- Metody oparte na gęstości
- Metody probabilistyczne
- Metody oparte na modelach
Zrozumienie uczenia głębokiego
- Przegląd podstawowych pojęć uczenia głębokiego
- Rozróżnienie między uczeniem maszynowym a uczeniem głębokim
- Przegląd zastosowań uczenia głębokiego
Przegląd sieci neuronowych
- Czym są sieci neuronowe
- Sieci neuronowe a modele regresji
- Zrozumienie podstaw matematycznych i mechanizmów uczenia się
- Konstruowanie sztucznej sieci neuronowej
- Zrozumienie węzłów i połączeń neuronowych
- Praca z neuronami, warstwami oraz danymi wejściowymi i wyjściowymi
- Zrozumienie jednowarstwowych perceptronów
- Różnice między uczeniem nadzorowanym a nienadzorowanym
- Nauka sieci neuronowych z wyprzedzeniem i ze sprzężeniem zwrotnym
- Zrozumienie propagacji w przód i propagacji wstecznej
Budowanie prostych modeli uczenia głębokiego z Keras
- Tworzenie modelu Keras
- Zrozumienie danych
- Określanie modelu uczenia głębokiego
- Kompilowanie modelu
- Dopasowywanie modelu
- Praca z danymi klasyfikacyjnymi
- Praca z modelami klasyfikacyjnymi
- Korzystanie z modeli
Praca z TensorFlow w uczeniu głębokim
-
Przygotowanie danych
- Pobieranie danych
- Przygotowanie danych treningowych
- Przygotowanie danych testowych
- Skalowanie danych wejściowych
- Korzystanie z symboli zastępczych i zmiennych
- Określanie architektury sieci
- Korzystanie z funkcji kosztu
- Korzystanie z optymalizatora
- Korzystanie z inicjalizatorów
- Dopasowywanie sieci neuronowej
-
Budowanie grafu
- Wnioskowanie
- Strata
- Trenowanie
-
Trenowanie modelu
- Graf
- Sesja
- Pętla trenowania
-
Ocena modelu
- Budowanie grafu oceny
- Ocena z wykorzystaniem wyników ewaluacji
- Trenowanie modeli na dużą skalę
- Wizualizacja i ocena modeli za pomocą TensorBoard
Zastosowanie uczenia głębokiego w wykrywaniu anomalii
-
Autoenkoder
- Architektura enkoder-dekoder
- Strata rekonstrukcyjna
-
Wariacyjny autoenkoder
- Wnioskowanie wariacyjne
-
Generatywna sieć przeciwstawna
- Architektura generator-dyskryminator
- Podejścia do wykrywania anomalii z wykorzystaniem GAN
Szkielety zespołowe
- Łączenie wyników z różnych metod
- Agregowanie bootstrapowe
- Uśrednianie wyniku odstającego
Wymagania
- Doświadczenie w programowaniu w Pythonie
- Podstawowa znajomość statystyki i pojęć matematycznych
Grupa docelowa
- Deweloperzy
- Analitycy danych
Opinie uczestników (6)
Szkolenie zapewniło ciekawe omówienie modeli uczenia głębokiego i powiązanych z nimi metod. Temat był dla mnie dość nowy, ale teraz czuję, że naprawdę mam pojęcie o tym, co może obejmować sztuczna inteligencja i maszynowe uczenie, z czego składają się te terminy i jak mogą być korzystnie wykorzystywane. Ogólnie spodobał mi się podejście polegające na rozpoczęciu od podłoża statystycznego i podstawowych modeli nauki, takich jak regresja liniowa, z szczególnym uwzględnieniem ćwiczeń w trakcie.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Szkolenie - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Przetłumaczone przez sztuczną inteligencję
Anna zawsze pytała, czy są jakieś pytania, i starała się nas bardziej angażować, zadając pytania, co sprawiło, że wszyscy byliśmy naprawdę zaangażowani w trening.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Szkolenie - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Przetłumaczone przez sztuczną inteligencję
Podobało mi się, jak zostało to połączone z praktykami.
Bertan - REGNOLOGY ROMANIA S.R.L.
Szkolenie - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Przetłumaczone przez sztuczną inteligencję
Rozległe doświadczenie i wiedza trenera
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Szkolenie - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Przetłumaczone przez sztuczną inteligencję
Wirtualna maszyna to wspaniały pomysł
Vincent - REGNOLOGY ROMANIA S.R.L.
Szkolenie - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Przetłumaczone przez sztuczną inteligencję
Szkolenie było prowadzone bardzo rzeczowo a tempo było dopasowane do grupy.
