Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εποπτευόμενη μάθηση: ταξινόμηση και παλινδρόμηση
- Ανταλλαγή μεροληψίας-διακύμανσης Λογιστική παλινδρόμηση ως ταξινομητής Μέτρηση απόδοσης ταξινομητή Υποστήριξη διανυσματικών μηχανών Νευρωνικά δίκτυα Τυχαία δάση
Εκμάθηση χωρίς επίβλεψη: ομαδοποίηση, ανίχνευση ανωμαλιών
- αυτοκωδικοποιητές ανάλυσης κύριου συστατικού
Προηγμένες αρχιτεκτονικές νευρωνικών δικτύων
- συνελικτικά νευρωνικά δίκτυα για ανάλυση εικόνας επαναλαμβανόμενα νευρωνικά δίκτυα για δεδομένα χρονικά δομημένα το κύτταρο βραχυπρόθεσμης μνήμης
Πρακτικά παραδείγματα προβλημάτων που μπορεί να λύσει η τεχνητή νοημοσύνη, π.χ
- ανάλυση εικόνας που προβλέπει περίπλοκες χρηματοοικονομικές σειρές, όπως τιμές μετοχών, συστήματα συστάσεων επεξεργασίας φυσικής γλώσσας αναγνώρισης σύνθετων προτύπων
Πλατφόρμες λογισμικού που χρησιμοποιούνται για εφαρμογές τεχνητής νοημοσύνης:
- TensorFlow, Theano, Caffe και Keras AI σε κλίμακα με το Apache Spark: Mlib
Κατανοήστε τους περιορισμούς των μεθόδων τεχνητής νοημοσύνης: τρόπους αποτυχίας, κόστος και κοινές δυσκολίες
- υπερπροσαρμογή προκαταλήψεων σε δεδομένα παρατήρησης που λείπουν δεδομένα νευρωνικού δικτύου δηλητηρίαση
Requirements
Δεν απαιτούνται συγκεκριμένες απαιτήσεις για να παρακολουθήσετε αυτό το μάθημα.
28 Hours