Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

  1. Κατανεμημένα συστήματα σε περιβάλλον μεγάλων δεδομένων
    1.  Μέθοδοι εξόρυξης δεδομένων (εκπαίδευση μονολιθικού μοντέλου + κατανεμημένες προβλέψεις: παραδοσιακοί αλγόριθμοι μηχανικής μάθησης + κατανεμημένες προβλέψεις με Mapreduce,)
    2. Apache Spark MLlib
  2. Συστάσεις και στοχευμένη διαφήμιση:
    1. Στοιχεία φυσικής γλώσσας
    2. Ομαδοποίηση κειμένου, ταξινόμηση κειμένου (ετικέτες), συνώνυμα
    3. Ανακατασκευή προφίλ χρήστη, σύστημα ετικετών
    4. Στρατηγικές αλγορίθμων συστάσεων
    5. Lift μεταξύ κλάσεων, lift εντός κλάσης, πώς να επιτευχθεί ακρίβεια
    6. Πώς να δημιουργηθεί ένας κλειστός βρόχος αλγορίθμου συστάσεων
  3. Λογιστική παλινδρόμηση, RankingSVM,
  4. Αναγνώριση χαρακτηριστικών: (Βαθιά μάθηση και αυτόματη αναγνώριση χαρακτηριστικών εικόνας)
  5. Φυσική γλώσσα
    1. Κατάτμηση κινεζικού κειμένου
    2. Μοντέλα θεμάτων (ομαδοποίηση κειμένου)
    3. Ταξινόμηση κειμένου
    4. Εξαγωγή λέξεων-κλειδιών
    5. Σημασιολογική ανάλυση sementic parser, word2vec σε διανύσματα λέξεων
    6. Αρχιτεκτονική RNN Long short-term memory (LSTM)

Απαιτήσεις

Δεν υπάρχουν συγκεκριμένες προϋποθέσεις για τη συμμετοχή σε αυτό το μάθημα.

 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (1)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες