Επικοινωνήστε μαζί μας
 Διάρκεια 28 Ώρες

Εξέλιξη Κομματιού

Επιβλεπόμενη μάθηση: ταξινόμηση και παλινδρόμηση

  • Μηχανική Μάθηση σε Python: εισαγωγή στο API του scikit-learn
    • γραμμική και λογιστική παλινδρόμηση
    • μηχανές διανυσμάτων υποστήριξης
    • νευρωνικά δίκτυα
    • τυχαία δάση
  • Δημιουργία ενός ολοκληρωμένου αγωγού επιβλεπόμενης μάθησης με το scikit-learn
    • εργασία με αρχεία δεδομένων
    • καταλογισμός ελλειπουσών τιμών
    • διαχείριση κατηγορικών μεταβλητών
    • οπτικοποίηση δεδομένων

Πλαίσια Python για εφαρμογές Τεχνητής Νοημοσύνης:

  • TensorFlow, Theano, Caffe και Keras
  • Τεχνητή Νοημοσύνη σε κλίμακα με Apache Spark: MLlib

Προηγμένες αρχιτεκτονικές νευρωνικών δικτύων

  • συνελικτικά νευρωνικά δίκτυα για ανάλυση εικόνας
  • αναδρομικά νευρωνικά δίκτυα για χρονικά δομημένα δεδομένα
  • το κύτταρο μακράς βραχυπρόθεσμης μνήμης

Μη επιβλεπόμενη μάθηση: ομαδοποίηση, ανίχνευση ανωμαλιών

  • υλοποίηση ανάλυσης κύριων συνιστωσών με το scikit-learn
  • υλοποίηση αυτοκωδικοποιητών στο Keras

Πρακτικά παραδείγματα προβλημάτων που μπορεί να επιλύσει η Τεχνητή Νοημοσύνη (πρακτικές ασκήσεις με Jupyter notebooks), π.χ.

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

Κατανόηση των περιορισμών των μεθόδων Τεχνητής Νοημοσύνης: τρόποι αποτυχίας, κόστη και συνήθεις δυσκολίες

  • υπερπροσαρμογή
  • αντιστάθμιση μεροληψίας/διακύμανσης
  • μεροληψίες σε δεδομένα παρατήρησης
  • δηλητηρίαση νευρωνικών δικτύων

Εφαρμοσμένη εργασία έργου (προαιρετική)

Απαιτήσεις

Δεν υπάρχουν συγκεκριμένες απαιτήσεις για την παρακολούθηση αυτού του μαθήματος.

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες