Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εισαγωγή στην Εφαρμοσμένη Machine Learning
- Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή μεροληψίας-διακύμανσης Εποπτευόμενη έναντι μη εποπτευόμενης μάθησης Τα προβλήματα μάθησης επιλύθηκαν με Machine Learning Δοκιμή επικύρωσης αμαξοστοιχίας – ροή εργασιών ML για αποφυγή υπερβολικής προσαρμογής Ροή εργασίας Machine Learning Αλγορίθμων μηχανικής μάθησης Επιλογή κατάλληλου αλγορίθμου για το πρόβλημα
Αξιολόγηση Αλγορίθμου
- Αξιολόγηση αριθμητικών προβλέψεων Μέτρα ακρίβειας: ME, MSE, RMSE, MAPE Παράμετρος και σταθερότητα πρόβλεψης
Εποπτευόμενοι αλγόριθμοι KNN Ensemble Gradient Boosting SVM
- Αλγόριθμοι χωρίς επίβλεψη Βασισμένοι σε απόσταση
Μέθοδοι με βάση την πυκνότητα
- Πιθανολογικές μέθοδοι
Δημιουργία απλών μοντέλων βαθιάς μάθησης με Keras
- Δημιουργία μοντέλου Keras Κατανόηση των δεδομένων σας Προσδιορισμός του μοντέλου σας για βαθειά μάθηση Σύνταξη του μοντέλου Προσαρμογή του μοντέλου σας Εργασία με δεδομένα ταξινόμησης Εργασία με μοντέλα ταξινόμησης χρησιμοποιώντας τα μοντέλα σας
Εργασία με TensorFlow για Deep Learning
- Προετοιμασία των Δεδομένων Λήψη των Δεδομένων Προετοιμασία Δεδομένων Εκπαίδευσης Προετοιμασία Δεδομένων Δοκιμής Κλιμάκωση δεδομένων Εισαγωγή με χρήση θέσεων και μεταβλητών
Καθορισμός της αρχιτεκτονικής δικτύου
- Χρήση της συνάρτησης κόστους
Χρήση του Optimizer
- Χρήση Initializers
Requirements
- Εμπειρία στον προγραμματισμό Python
- Βασική εξοικείωση με στατιστικές και μαθηματικές έννοιες
Ακροατήριο
- προγραμματιστές
- Επιστήμονες δεδομένων
28 Hours