Εξέλιξη Κομματιού
Εισαγωγή στην Εφαρμοσμένη Μηχανική Μάθηση
- Στατιστική μάθηση έναντι Μηχανικής μάθησης
- Επανάληψη και αξιολόγηση
- Αντιστάθμιση πόλωσης-διακύμανσης
- Επιβλεπόμενη έναντι Μη Επιβλεπόμενης Μάθησης
- Προβλήματα που επιλύονται με τη Μηχανική Μάθηση
- Train Validation Test – ροή εργασιών ML για την αποφυγή υπερπροσαρμογής
- Ροή εργασιών της Μηχανικής Μάθησης
- Αλγόριθμοι μηχανικής μάθησης
- Επιλογή κατάλληλου αλγορίθμου για το πρόβλημα
Αξιολόγηση Αλγορίθμων
-
Αξιολόγηση αριθμητικών προβλέψεων
- Μέτρα ακρίβειας: ME, MSE, RMSE, MAPE
- Σταθερότητα παραμέτρων και πρόβλεψης
-
Αξιολόγηση αλγορίθμων ταξινόμησης
- Ακρίβεια και τα προβλήματά της
- Ο πίνακας σύγχυσης
- Πρόβλημα μη ισορροπημένων κλάσεων
-
Οπτικοποίηση της απόδοσης μοντέλου
- Καμπύλη κέρδους
- Καμπύλη ROC
- Καμπύλη ανύψωσης
- Επιλογή μοντέλου
- Ρύθμιση μοντέλου – στρατηγικές αναζήτησης πλέγματος
Προετοιμασία Δεδομένων για Μοντελοποίηση
- Εισαγωγή και αποθήκευση δεδομένων
- Κατανόηση των δεδομένων – βασικές εξερευνήσεις
- Χειρισμός δεδομένων με τη βιβλιοθήκη pandas
- Μετασχηματισμοί δεδομένων – Διαχείριση δεδομένων (Data wrangling)
- Διερευνητική ανάλυση
- Ελλείπουσες παρατηρήσεις – ανίχνευση και λύσεις
- Ακραίες τιμές – ανίχνευση και στρατηγικές
- Τυποποίηση, κανονικοποίηση, δυαδικοποίηση
- Επανακωδικοποίηση ποιοτικών δεδομένων
Αλγόριθμοι Μηχανικής Μάθησης για Ανίχνευση Ακραίων Τιμών
-
Επιβλεπόμενοι αλγόριθμοι
- KNN
- Ensemble Gradient Boosting
- SVM
-
Μη επιβλεπόμενοι αλγόριθμοι
- Βασισμένες στην απόσταση
- Μέθοδοι βασισμένες στην πυκνότητα
- Πιθανολογικές μέθοδοι
- Μέθοδοι βασισμένες σε μοντέλα
Κατανόηση της Βαθιάς Μάθησης
- Επισκόπηση των Βασικών Εννοιών της Βαθιάς Μάθησης
- Διαχωρισμός μεταξύ Μηχανικής Μάθησης και Βαθιάς Μάθησης
- Επισκόπηση Εφαρμογών της Βαθιάς Μάθησης
Επισκόπηση των Νευρωνικών Δικτύων
- Τι είναι τα Νευρωνικά Δίκτυα
- Νευρωνικά Δίκτυα έναντι Μοντέλων Παλινδρόμησης
- Κατανόηση των Μαθηματικών Θεμελίων και των Μηχανισμών Μάθησης
- Κατασκευή ενός Τεχνητού Νευρωνικού Δικτύου
- Κατανόηση των Νευρωνικών Κόμβων και Συνδέσεων
- Εργασία με Νευρώνες, Στρώματα και Δεδομένα Εισόδου και Εξόδου
- Κατανόηση των Μονοστρωματικών Perceptron
- Διαφορές μεταξύ Επιβλεπόμενης και Μη Επιβλεπόμενης Μάθησης
- Εκμάθηση των προωθητικών (Feedforward) και ανατροφοδοτούμενων (Feedback) νευρωνικών δικτύων
- Κατανόηση της Εμπρόσθιας Διάδοσης και της Ανάστροφης Διάδοσης
Δημιουργία Απλών Μοντέλων Βαθιάς Μάθησης με το Keras
- Δημιουργία ενός μοντέλου Keras
- Κατανόηση των Δεδομένων σας
- Καθορισμός του Μοντέλου Βαθιάς Μάθησης
- Μεταγλώττιση του Μοντέλου
- Προσαρμογή του Μοντέλου
- Εργασία με τα Δεδομένα Ταξινόμησης
- Εργασία με Μοντέλα Ταξινόμησης
- Χρήση των Μοντέλων σας
Εργασία με το TensorFlow για Βαθιά Μάθηση
-
Προετοιμασία των Δεδομένων
- Λήψη των Δεδομένων
- Προετοιμασία Δεδομένων Εκπαίδευσης
- Προετοιμασία Δεδομένων Δοκιμών
- Κλιμάκωση Εισόδων
- Χρήση Placeholders και Μεταβλητών
- Καθορισμός της Αρχιτεκτονικής του Δικτύου
- Χρήση της Συνάρτησης Κόστους
- Χρήση του Βελτιστοποιητή
- Χρήση Αρχικοποιητών
- Προσαρμογή του Νευρωνικού Δικτύου
-
Δημιουργία του Γραφήματος
- Συμπερασμός
- Απώλεια
- Εκπαίδευση
-
Εκπαίδευση του Μοντέλου
- Το Γράφημα
- Η Συνεδρία
- Βρόχος Εκπαίδευσης
-
Αξιολόγηση του Μοντέλου
- Δημιουργία του Γραφήματος Αξιολόγησης
- Αξιολόγηση με Χρήση της Εξόδου Αξιολόγησης
- Εκπαίδευση Μοντέλων σε Κλίμακα
- Οπτικοποίηση και Αξιολόγηση Μοντέλων με το TensorBoard
Εφαρμογή της Βαθιάς Μάθησης στην Ανίχνευση Ανωμαλιών
-
Autoencoder
- Αρχιτεκτονική Κωδικοποιητή-Αποκωδικοποιητή
- Απώλεια Ανακατασκευής
-
Variational Autencoder
- Variational inference
-
Generative Adversarial Network
- Αρχιτεκτονική Γεννήτορα – Διακριτή
- Προσεγγίσεις στην Ανίχνευση Ανωμαλιών με χρήση GAN
Πλαίσια Συνόλων (Ensemble)
- Συνδυασμός αποτελεσμάτων από διαφορετικές μεθόδους
- Bootstrap Aggregating (Bagging)
- Μέσος όρος βαθμολογίας ακραίων τιμών
Απαιτήσεις
- Εμπειρία με προγραμματισμό Python
- Βασική εξοικείωση με στατιστικές και μαθηματικές έννοιες
Κοινό
- Προγραμματιστές
- Επιστήμονες δεδομένων
Σχόλια (5)
Η κατάρτιση παρείχε μια ενδιαφέρουσα γενική έκθεση των μοdelών βαθύς μάθησης και των συνexouέντων μεθόδων. Το θέμα ήταν αρκετά νέo για μένα, αλλά τώρα νιώθω ότι πραγματικά έχω κατανoήσει τι μπορεί να εξυφαίνεται στην τεχνητή νοημοσύνη (ΤΝ) και το μηχανικό μάθηση (ΜΜ), τι περιλαμβάνουν αυτές οι όροι και πώς μπορούν να εφαρμοστούν με πλεονεκτικό τρόπo. Γενικά, μου αρέσανε η πρoσέγγιση να ξεκινάμε με το στατιστικό υπόβαθρo και τα βασικά μοdelά μάθησης, όπως η γραμμική παλίνδρομη, εξετάζοντας eιδικά τις ασκήσεις μετaxύ.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Κομμάτι - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Μηχανική Μετάφραση
Η Άνα ήταν πάντα έτοιμη να ρωτήσει αν υπάρχουν ερωτήσεις και προσπαθούσε πάντα να μας κάνει πιο δραστήριους τοποθετώντας ερωτήσεις, κάτι που μας έκανε όλους πραγματικά εμπλεκόμενους στην κατάρτιση.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Κομμάτι - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Μηχανική Μετάφραση
Μου άρεσε το πώς εντάχθηκε στις πρακτικές.
Bertan - REGNOLOGY ROMANIA S.R.L.
Κομμάτι - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Μηχανική Μετάφραση
Η εκτενής εμπειρία και γνώση του εκπαιδευτή
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Κομμάτι - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Μηχανική Μετάφραση
το VM είναι μια ωραία ιδέα
Vincent - REGNOLOGY ROMANIA S.R.L.
Κομμάτι - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Μηχανική Μετάφραση
