Course Outline

Εποπτευόμενη μάθηση: ταξινόμηση και παλινδρόμηση

    Μηχανική μάθηση στο Python: εισαγωγή στο scikit-learn API γραμμικής και λογιστικής παλινδρόμησης διανυσματική υποστήριξη νευρωνικών δικτύων μηχανών τυχαίο δάσος
Ρύθμιση μιας εποπτευόμενης διοχέτευσης εκμάθησης από άκρο σε άκρο χρησιμοποιώντας την εργασία scikit-learn με αρχεία δεδομένων
  • καταλογισμός τιμών που λείπουν
  • χειρισμός κατηγορικών μεταβλητών
  • οπτικοποίηση δεδομένων
  • Python πλαίσια για εφαρμογές τεχνητής νοημοσύνης:
  • TensorFlow, Theano, Caffe και Keras AI σε κλίμακα με το Apache Spark: Mlib

      Προηγμένες αρχιτεκτονικές νευρωνικών δικτύων

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

      Εκμάθηση χωρίς επίβλεψη: ομαδοποίηση, ανίχνευση ανωμαλιών

    υλοποίηση ανάλυσης κύριου στοιχείου με scikit-learn υλοποίηση αυτοκωδικοποιητών στο Keras

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

    ανάλυση εικόνας που προβλέπει περίπλοκες χρηματοοικονομικές σειρές, όπως τιμές μετοχών, συστήματα συστάσεων επεξεργασίας φυσικής γλώσσας αναγνώρισης σύνθετων προτύπων

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

    υπερπροσαρμογή προκαταλήψεων αντιστάθμισης μεροληψίας/διακύμανσης στη δηλητηρίαση νευρωνικών δικτύων δεδομένων παρατήρησης

      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)

    Related Categories