Course Outline

Εποπτευόμενη μάθηση: ταξινόμηση και παλινδρόμηση

  • Machine Learning στο Python: εισαγωγή στο Sicit-learn API
    • γραμμική και λογιστική παλινδρόμηση
    • μηχανή υποστήριξης διάνυσμα
    • νευρωνικά δίκτυα
    • τυχαίο δάσος
  • Ρύθμιση ενός αγωγού εποπτευόμενης εκμάθησης από άκρο σε άκρο χρησιμοποιώντας το scikit-learn
    • εργασία με αρχεία δεδομένων
    • καταλογισμός τιμών που λείπουν
    • χειρισμός κατηγορικών μεταβλητών
    • οπτικοποίηση δεδομένων

Python πλαίσια για εφαρμογές τεχνητής νοημοσύνης:

  • TensorFlow, Θεανώ, Caffe και Keras
  • AI σε κλίμακα με Apache Spark: Mlib

Προηγμένες αρχιτεκτονικές νευρωνικών δικτύων

  • συνελικτικά νευρωνικά δίκτυα για ανάλυση εικόνας
  • επαναλαμβανόμενα νευρωνικά δίκτυα για δεδομένα χρονικά δομημένα
  • το κύτταρο μακροπρόθεσμης μνήμης

Εκμάθηση χωρίς επίβλεψη: ομαδοποίηση, ανίχνευση ανωμαλιών

  • υλοποίηση ανάλυσης βασικών συστατικών με το scikit-learn
  • υλοποίηση αυτόματων κωδικοποιητών στο Keras

Πρακτικά παραδείγματα προβλημάτων που μπορεί να λύσει η τεχνητή νοημοσύνη (πρακτικές ασκήσεις χρησιμοποιώντας σημειωματάρια Jupyter), π.χ.

  • ανάλυση εικόνας
  • πρόβλεψη σύνθετων χρηματοοικονομικών σειρών, όπως οι τιμές των μετοχών,
  • σύνθετη αναγνώριση προτύπων
  • επεξεργασία φυσικής γλώσσας
  • συστήματα συστάσεων

Κατανοήστε τους περιορισμούς των μεθόδων τεχνητής νοημοσύνης: τρόπους αποτυχίας, κόστος και κοινές δυσκολίες

  • υπερπροσαρμογή
  • συμβιβασμός μεροληψίας/διακύμανσης
  • προκαταλήψεις στα δεδομένα παρατήρησης
  • δηλητηρίαση νευρωνικών δικτύων

Εφαρμοσμένη εργασία έργου (προαιρετικό)

Requirements

Δεν απαιτούνται συγκεκριμένες απαιτήσεις για να παρακολουθήσετε αυτό το μάθημα.

 28 Hours

Number of participants


Price per participant

Testimonials (2)

Upcoming Courses

Related Categories