Course Outline

Περιγραφή της Τεχνητής Νοημοσύνης στο Python

  • Κλειδαρχικά κοντέξτα και πεδίο εφαρμογής της ΤΝ
  • Βιβλιοθήκες Python για ανάπτυξη ΤΝ
  • Στрукτορισμός και διαδικασία AI προγεκτών

Προετοιμασία Δεδομένων για τη ΤΝ

  • Καθαρισμός δεδομένων, μετάφραση και προσομοίωση χαρακτηριστικών
  • Χειρισμός λεηλατημένων και άνισων δεδομένων
  • Σκαλοποίηση χαρακτηριστικών και κωδικοποίηση

Supervised Learning Τεχνικές

  • Αλγόριθμοι παραγωγής και τάξης
  • Συνδυαστικές μεθόδους: Random Forest, Gradient Boosting
  • Ρύθμιση υπερχαρακτηριστικών και cross-validation

Unsupervised Learning Τεχνικές

  • Μέθοδοι αιφνίδια: K-Means, DBSCAN, εγγενής τάξη
  • Ελαττωμάτωση διάστασης: PCA, t-SNE
  • Περιπτώσεις χρήσης ανυποψήφου μάθησης

Neural Networks και Deep Learning

  • Εισαγωγή στο TensorFlow και Keras
  • Κατασκευή και εκπαίδευση feedforward νευρωνικών δικτύων
  • Οικοδόμηση της απόδοσης των νευρωνικών δικτύων

Reinforcement Learning (Εισαγωγή)

  • Κλειδαρχικά σημεία αξιωμάτων, περιβάλλον και βραβείων
  • Εφαρμογή βασικών ρυθμισμένων αλγορίθμων μάθησης
  • Εφαρμογές της ρυθμισμένης μάθησης

Αποκατάσταση ΤΝ Μοντέλων

  • Αποθήκευση και φόρτωση εκπαιδευμένων μοντέλων
  • Ενσωμάτωση μοντέλων σε εφαρμογές μέσω APIs
  • Μετρική και υποστήριξη AI συστημάτων παραγωγής

Επικεφαλίδα και Περαιτέρω βήματα

Requirements

  • Βάθος ενόρατης κατανόησης των βασικών αρχών προγραμματισμού Python
  • Εμπειρία με βιβλιοθήκες ανάλυσης δεδομένων όπως NumPy και pandas
  • Βασικός εταίρος για τα μηχανικά μάθησης και τους λογισμικούς της

Πελατευμός

  • Επεξεργαστές λογισμικού που στιζουν να επεκτείνουν τις δεξιότητές τους για την ανάπτυξη AI
  • Αναλυτές δεδομένων που ζητούν να εφαρμόσουν τεχνητή νοημοσύνη σε περίπλοκους συνόλους δεδομένων
  • Ειδικοί R&D που κατασκευάζουν εφαρμογές με AI
 35 Hours

Number of participants


Price per participant

Testimonials (3)

Upcoming Courses

Related Categories