Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

  1. Κατανεμημένη επεξεργασία μεγάλων δεδομένων
    1. Μέθοδοι εξόρυξης δεδομένων (εκπαίδευση μεμονωμένου μηχανήματος + πρόβλεψη σε κατανεμημένο περιβάλλον: παραδοσιακοί αλγόριθμοι μηχανικής μάθησης + πρόβλεψη με χρήση MapReduce,)
    2. Apache Spark MLlib
  2. Συστήματα προτάσεων και στοχευμένη διαφήμιση:
    1. Μέρος σχετικά με τη φυσική γλώσσα
    2. Ομαδοποίηση κειμένου, ταξινόμηση κειμένου (ετικέτες), συνώνυμα
    3. Αποκατάσταση προφίλ χρήστη, σύστημα ετικετών
    4. Στρατηγικές αλγορίθμων προτάσεων
    5. lift μεταξύ κατηγοριών, lift εντός κατηγορίας, πώς να επιτευχθεί ακρίβεια
    6. Πώς να δημιουργηθεί ένας κλειστός βρόχος για τον αλγόριθμο προτάσεων
  3. Λογιστική παλινδρόμηση, Ranking SVM,
  4. Αναγνώριση χαρακτηριστικών: (βαθιά μάθηση και αυτόματη αναγνώριση χαρακτηριστικών από εικόνες)
  5. Φυσική γλώσσα
    1. Διαχωρισμός λέξεων κινεζικού κειμένου
    2. Μοντέλο θεμάτων (ομαδοποίηση κειμένου)
    3. Ταξινόμηση κειμένου
    4. Εξαγωγή λέξεων-κλειδιών
    5. Σημασιολογική ανάλυση (semantic parser), από το Word2Vec σε διανύσματα λέξεων
    6. Αρχιτεκτονική RNN μακροπρόθεσμης βραχυπρόθεσμης μνήμης (LSTM)

Απαιτήσεις

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

 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (1)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες