Εξέλιξη Κομματιού
Εισαγωγή στην Εφαρμοσμένη Μηχανική Μάθηση
- Στατιστική μάθηση έναντι Μηχανικής μάθησης
- Επανάληψη και αξιολόγηση
- Αντιστάθμιση Μεροληψίας-Διακύμανσης
- Επιβλεπόμενη έναντι Μη Επιβλεπόμενης Μάθησης
- Προβλήματα που επιλύονται με τη Μηχανική Μάθηση
- Εκπαίδευση Επικύρωση Έλεγχος – Ροή εργασίας ΜΜ για αποφυγή υπερπροσαρμογής
- Ροή εργασίας 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 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 διερευνήσεις
- Χειρισμός δεδομένων με τη βιβλιοθήκη pandas
- Μετασχηματισμοί δεδομένων – Διαμόρφωση δεδομένων
- Διερευνητική ανάλυση
- Ελλιπείς παρατηρήσεις – εντοπισμός και λύσεις
- Ακραίες τιμές – εντοπισμός και στρατηγικές
- Τυποποίηση, κανονικοποίηση, δυαδοποίηση
- Επανακωδικοποίηση ποιοτικών δεδομένων
Αλγόριθμοι Μηχανικής Μάθησης για Εντοπισμό Ακραίων Τιμών
-
Επιβλεπόμενοι αλγόριθμοι
- KNN
- Ensemble Gradient Boosting
- SVM
-
Μη επιβλεπόμενοι αλγόριθμοι
- Βάσει απόστασης
- Μέθοδοι βάσει πυκνότητας
- Πιθανοτικές μέθοδοι
- Μέθοδοι βάσει μοντέλου
Κατανόηση της Βαθιάς Μάθησης
- Επισκόπηση των Βασικών Εννοιών της Βαθιάς Μάθησης
- Διαφοροποίηση μεταξύ Μηχανικής Μάθησης και Βαθιάς Μάθησης
- Επισκόπηση Εφαρμογών της Βαθιάς Μάθησης
Επισκόπηση Νευρωνικών Δικτύων
- Τι είναι τα Νευρωνικά Δίκτυα
- Νευρωνικά Δίκτυα έναντι Μοντέλων Παλινδρόμησης
- Κατανόηση Μαθηματικών Θεμελίων και Μηχανισμών Μάθησης
- Κατασκευή ενός Τεχνητού Νευρωνικού Δικτύου
- Κατανόηση Νευρωνικών Κόμβων και Συνδέσεων
- Εργασία με Νευρώνες, Επίπεδα και Δεδομένα Εισόδου και Εξόδου
- Κατανόηση Μονοστρωματικών Perceptrons
- Διαφορές μεταξύ Επιβλεπόμενης και Μη Επιβλεπόμενης Μάθησης
- Εκμάθηση Νευρωνικών Δικτύων Πρόσθιας Τροφοδότησης και Ανατροφοδότησης
- Κατανόηση Πρόσθιας Διάδοσης και Οπισθοδιάδοσης
Δημιουργία Απλών Μοντέλων Βαθιάς Μάθησης με Keras
- Δημιουργία ενός Μοντέλου Keras
- Κατανόηση των Δεδομένων σας
- Καθορισμός του Μοντέλου Βαθιάς Μάθησης
- Μεταγλώττιση του Μοντέλου
- Προσαρμογή του Μοντέλου
- Εργασία με Δεδομένα Ταξινόμησης
- Εργασία με Μοντέλα Ταξινόμησης
- Χρήση των Μοντέλων σας
Εργασία με TensorFlow για Βαθιά Μάθηση
-
Προετοιμασία των Δεδομένων
- Λήψη των δεδομένων
- Προετοιμασία Δεδομένων Εκπαίδευσης
- Προετοιμασία Δεδομένων Ελέγχου
- Κλιμάκωση Εισόδων
- Χρήση Placeholders και Variables
- 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 Έξοδο Αξιολόγησης
- Εκπαίδευση Μοντέλων σε Κλίμακα
- Οπτικοποίηση και Αξιολόγηση Μοντέλων με TensorBoard
Εφαρμογή της Βαθιάς Μάθησης στην Ανίχνευση Ανωμαλιών
-
Autoencoder
- Αρχιτεκτονική Κωδικοποιητή - Αποκωδικοποιητή
- Απώλεια ανακατασκευής
-
Μεταβλητός Autoencoder
- Μεταβλητός συμπερασμός
-
Γενετικό Ανταγωνιστικό Δίκτυο
- Αρχιτεκτονική Γεννήτορα – Διαχωριστή
- Προσεγγίσεις για AN με χρήση GAN
Πλαίσια Ensemble
- Συνδυασμός αποτελεσμάτων από διαφορετικές μεθόδους
- Bootstrap Aggregating
- Μέσος όρος βαθμού ακραίων τιμών
Απαιτήσεις
- Εμπειρία στον προγραμματισμό με Python
- Βασική εξοικείωση με τη στατιστική και τις 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
