Course Outline

Εισαγωγή

Δημιουργία Περιβάλλοντος Εργασίας

Επισκόπηση των AutoML χαρακτηριστικών

Πώς AutoML εξερευνά αλγόριθμους

    Μηχανές ενίσχυσης κλίσης (GBM), Random Forest, GLM, κ.λπ.

Επίλυση προβλημάτων ανά περίπτωση χρήσης

Επίλυση προβλημάτων με τύπο δεδομένων εκπαίδευσης

Θέματα απορρήτου δεδομένων

Θεωρήσεις κόστους

Προετοιμασία Δεδομένων

Εργασία με Αριθμητικά και Κατηγορικά Δεδομένα

    Πίνακας δεδομένων IID (H2O AutoML, auto-sklearn, TPOT)

Εργασία με δεδομένα που εξαρτώνται από το χρόνο (δεδομένα χρονικής σειράς)

Ταξινόμηση ακατέργαστου κειμένου

Ταξινόμηση ακατέργαστων δεδομένων εικόνας

    Deep Learning και Neural Architecture Search (TensorFlow, PyTorch, Auto-Keras, κ.λπ.)

Ανάπτυξη μιας μεθόδου AutoML

Μια ματιά στους αλγόριθμους στο εσωτερικό AutoML

Συνδυάζοντας διαφορετικά μοντέλα μαζί

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Εμπειρία με αλγόριθμους μηχανικής μάθησης.
  • Python ή R εμπειρία προγραμματισμού.

Ακροατήριο

  • Αναλυτές δεδομένων
  • Επιστήμονες δεδομένων
  • Μηχανικοί δεδομένων
  • προγραμματιστές
 14 Hours

Number of participants



Price per participant

Related Categories