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
- Μηχανική μάθηση στο Python: εισαγωγή στο scikit-learn API γραμμικής και λογιστικής παλινδρόμησης διανυσματική υποστήριξη νευρωνικών δικτύων μηχανών τυχαίο δάσος
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
Testimonials (2)
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Course - Applied AI from Scratch in Python
The trainer was a professional in the subject field and related theory with application excellently