Εξέλιξη Κομματιού

Εισαγωγή και ρύθμιση περιβάλλοντος

  • Τι είναι το AutoML και γιατί έχει σημασία
  • Ρύθμιση περιβάλλοντος Python και R
  • Ρύθμιση απομακρυσμένων διακόπτερων και περιβάλλοντων στην έναντζα

Εξερεύνηση χαρακτηριστικών του AutoML

  • Κεντρικές δυνατότητες των πλαισίων AutoML
  • Βελτιστοποίηση υπερπαραμέτρων και στρατηγικές αναζήτησης
  • Ερμηνεία εξόδων και κλογκ του AutoML

Πώς το AutoML επιλέγει αλγόριθμους

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs
  • Νευρωνικά δίκτυα και πλατφόρμες βαθύ εκμάθησης
  • Συμβιβασμοί: ακρίβεια, διαφάνεια, κόστος

Προεπεξεργασία δεδομένων

  • Εργασία με αριθμητικά και κategorikά δεδομένα
  • Διαμόρφωση χαρακτηριστικών και στρατηγικές ενδωμάτων
  • Επεξεργασία απονευμάτων δεδομένων και ανισότητας δεδομένων

AutoML για διάφορους τύπους δεδομένων

  • Ταξινομητικά δεδομένα (H2O AutoML, auto-sklearn, TPOT)
  • Δεδομένα χρονοσειρών (πρόβλεψη και μοντελοποίηση ακολουθίας)
  • Κειμένο και εργασίες NLP (κατατάξεις, ανάλυση συναισθήματος)
  • Ταξινόμηση εικόνων και υπολογιστική όραση (Auto-Keras, TensorFlow, PyTorch)

Διαθέτευση και παρακολούθηση μοντέλων AutoML

  • Εξαγωγή και διαθέτευση μοντέλων AutoML
  • Δημιουργία συμβολοδοχείων για πρόβλεψη σε πραγματικό χρόνο
  • Παρακολούθηση απόκλισης μοντέλου και στρατηγικές επανεκπαίδευσης

Συμπεριφορά και προχωρημένα θέματα

  • Στακίνγκ και blending μοντέλων AutoML
  • Παράμετροι απόρρητου και πληροφορικής συμμόρφωσης
  • Βελτιστοποίηση κόστους για AutoML σε μεγάλη κλίμακα

Διανοικήσεις και περιπτώσεις μελετή

  • Κοινές λάθη και τρόποι διόρθωσης
  • Ερμηνεία επιδόσεων μοντέλου AutoML
  • Περιπτώσεις μελετής από βιομηχανικά παραδείγματα

Συνοψίς και επόμενα βήματα

Απαιτήσεις

  • Εμπειρία με αλγόριθμους μηχανικής μάθησης
  • Εμπειρία προγραμματισμού σε Python ή R

Διευθυνόμενος Στόχος

  • Διαχειριστές δεδομένων
  • Επιστήμονες δεδομένων
  • Μηχανικοί δεδομένων
  • Προγραμματιστές
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Εφεξής Μαθήματα

Σχετικές Κατηγορίες