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
Testimonials (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Course - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete