Επικοινωνήστε μαζί μας
 Διάρκεια 35 Ώρες

Εξέλιξη Κομματιού

Επισκόπηση της ΤΝ στην Python

  • Βασικές έννοιες και εμβέλεια της ΤΝ
  • Βιβλιοθήκες Python για την ανάπτυξη ΤΝ
  • Δομή και ροή εργασίας έργου ΤΝ

Προετοιμασία Δεδομένων για ΤΝ

  • Καθαρισμός, μετασχηματισμός δεδομένων και μηχανική χαρακτηριστικών
  • Χειρισμός ελλειπτικών και ανισορρόπων δεδομένων
  • Κλίμακα και κωδικοποίηση χαρακτηριστικών

Τεχνικές Επιβλητικής Μάθησης

  • Αλγόριθμοι παλινδρόμησης και ταξινόμησης
  • Μέθοδοι ομαδοποίησης: Random Forest, Gradient Boosting
  • Ρυθμιζόμενη υπερπαράμετρος και διασταυρωμένη ελέγχου

Τεχνικές Μη Επιβλητικής Μάθησης

  • Μέθοδοι ομαδοποίησης: K-Means, DBSCAN, ιεραρχική ομαδοποίηση
  • Μείωση διαστατικότητας: PCA, t-SNE
  • Περίπτωσες χρήσης μη επιβλητικής μάθησης

Νευρωνικά Δίκτυα και Βαθιά Μάθηση

  • Εισαγωγή στο TensorFlow και Keras
  • Δημιουργία και εκπαίδευση επανεισαγωγικών νευρωνικών δικτύων
  • Βελτιστοποίηση της απόδοσης των νευρωνικών δικτύων

Μάθηση Ενίσχυσης (Εισαγωγή)

  • Βασικές έννοιες πράκτορων, περιβάλλοντων και ανταμοιβών
  • Υλοποίηση βασικών αλγορίθμων μάθησης ενίσχυσης
  • Εφαρμογές μάθησης ενίσχυσης

Διαploiement Μοντέλων ΤΝ

  • Αποθήκευση και φόρτωση εκπαιδευμένων μοντέλων
  • Ενσωμάτωση μοντέλων σε εφαρμογές μέσω API
  • Παρακολούθηση και συντήρηση συστημάτων ΤΝ σε παραγωγή

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Στερεή κατανόηση των βασικών αρχών προγραμματισμού Python
  • Εμπειρία με βιβλιοθήκες ανάλυσης δεδομένων όπως NumPy και pandas
  • Βασικές γνώσεις εννοιών και αλγορίθμων Μηχανικής Μάθησης

Στόχος Κοινό

  • Αναπτύκτες λογισμικού που θέλουν να επεκτείνουν τις δεξιότητές τους στην ανάπτυξη ΤΝ
  • Ανάλυτες δεδομένων που αναζητούν την εφαρμογή τεχνικών ΤΝ σε πολύπλοκα σετ δεδομένων
  • Επαγγελματίες Ε&Α που κατασκευάζουν εφαρμογές με κινητήρια δύναμη την ΤΝ

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες