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 Μηχανική Μάθηση
- Στατιστικό μάθημα vs. Μηχανικό μάθημα
- Επανάληψη και επιδοκιμασία
- Συμβιβαστής Bias-Variance
- Εποπτευόμενο vs. Μη-εποπτευόμενο μάθημα
- Προβλήματα που λύνονται με την τεχνολογία του μηχανικού μαθήματος
- Εκπαίδευση, Επαλήθευση και Κατάληψη – Προσέγγιση του ML για να αποφευχθεί η υπερπροσαρμογή
- Προσέγγιση του μηχανικού μαθήματος
- Αλγόριθμοι μηχανικού μαθήματος
- Επιλογή κατάλληλου αλγόριθμου για το πρόβλημα
Αξιολόγηση Αλγορίθμων
- Αξιολόγηση αριθμητικών προβλέψεων
- Μέτρα ακρίβειας: ME, MSE, RMSE, MAPE
- Σταθερότητα παραμέτρων και προβλέψεων
- Αξιολόγηση αλγορίθμων ταξινόμησης
- Ακρίβεια και οι προβλήματές της
- Η μάτριξ σύγχυσης
- Πρόβλημα δυσισορροπίας κλάσεων
- Οπτικοποίηση του επιδόσιμου μοντέλου
- Καμπύλη κέρδους
- Καμπύλη ROC
- Καμπύλη αύξησης (Lift curve)
- Επιλογή μοντέλου
- Ρύθμιση του μοντέλου – στρατηγικές δίκτυου (grid search)
Ηττερωποίηση Δεδομένων για Μοντελοποίηση
- Εισαγωγή και αποθήκευση δεδομένων
- Κατανόηση των δεδομένων – βασικές εξερεύνησεις
- Επεξεργασία δεδομένων με τη βιβλιοθήκη pandas
- Μετασχηματισμός δεδομένων – ηττερωποίηση (data wrangling)
- Εξερευνητική ανάλυση
- Απώλειες παρατηρήσεων – ανίχνευση και λύσεις
- Εξωφθυμισμένα δεδομένα (outliers) – ανίχνευση και στρатегίες
- Κανονικοποίηση, εξομαλυντική προσεγγίση, δυαδικόποιηση (binarization)
- Μετακωδικοποίηση κατηγορικών δεδομένων
Αλγόριθμοι Μηχανικού Μαθήματος για την ανίχνευση εξωφθυμισμένων δεδομένων (outliers)
- Εποπτευόμενοι αλγόριθμοι
- KNN
- Ensemble Gradient Boosting
- SVM
- Μη-εποπτευόμενοι αλγόριθμοι
- Βασισμένοι στην απόσταση
- Μέθοδοι μάθησης πυκνότητας (density-based)
- Πιθανοφανιστικές μέθοδοι
- Μέθοδοι βασισμένοι σε μοντέλα
Κατανόηση του Βάθυτου Μαθήματος (Deep Learning)
- Επισκόπηση βασικών εννοιών του βάθυτου μαθήματος
- Διάκριση Μηχανικού Μαθήματος και Βάθυτου Μαθήματος
- Επισκόπηση εφαρμογών του βάθυτου μαθήματος
Επισκόπηση Τεχνητών Νευρωνικών Δικτύων (Neural Networks)
- Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα
- Σύγκριση Τεχνητών Νευρωνικών Δικτύων και Μοντέλων Παλινδρόμησης
- Κατανόηση των μαθηματικών βάσεων και μηχανισμών μάθησης
- Δημιουργία Τεχνητού Νευρωνικού Δικτύου
- Κατανόηση των νευρωνικών κόμβων και συνδέσεων
- Εργασία με νεύρονες, επιπέδους και δεδομένα είσοδου και έξοδου
- Κατανόηση των Απλών Στρωμάτων Προσαρμογής (Single Layer Perceptrons)
- Διάκριση Εποπτευόμενου και Μη-Εποπτευόμενου Μαθήματος
- Μάθηση Προοδευτικών (Feedforward) και Ανατροφικών (Feedback) Νευρωνικών Δικτύων
- Κατανόηση του Πρόσημου προς Μπράβο (Forward Propagation) και Ανάποδης Προσαρμογής (Back Propagation)
Κατασκευή Απλών Μοντέλων Βάθυτου Μαθήματος με τη Keras
- Δημιουργία Μοντέλου Keras
- Κατανόηση των Δεδομένων
- Καθορισμός του Μοντέλου Βάθυτου Μαθήματος
- Τύπωση (Compilation) του Μοντέλου
- Εξομαλυντική προσεγγίση (Fitting) του Μοντέλου
- Εργασία με δεδομένα κατηγορικής ταξινόμησης
- Εργασία με Μοντέλα Ταξινόμησης
- Χρήση των Μοντέλων
Εργασία με τη TensorFlow για το Βάθυτο Μάθημα
- Προετοιμασία των Δεδομένων
- Κατέβασμα των Δεδομένων
- Προετοιμασία Εκπαιδευτικών Δεδομένων
- Προετοιμασία Δεδομένων Έλεγχου
- Κλίμακα των Εισόδων (Scaling Inputs)
- Χρήση Placeholder και Variables
- Καθορισμός της Αρχιτεκτονικής του Δικτύου
- Χρήση Συνάρτησης Κόστους (Cost Function)
- Χρήση Εξομαλυντή (Optimizer)
- Χρήση Αρχικοποίησης (Initializers)
- Εξομαλυντική προσεγγίση (Fitting) του Νευρωνικού Δικτύου
- Δημιουργία Γράφου
- Πρόβλεψη (Inference)
- Χάμη (Loss)
- Εξομαλυντική προσεγγίση (Training)
- Εκπαίδευση του Μοντέλου
- Ο Γράφος
- Η Σύνοδος (The Session)
- Κύκλος Εξόδων (Train Loop)
- Αξιολόγηση του Μοντέλου
- Δημιουργία Γράφου Αξιολόγησης (Building the Eval Graph)
- Αξιολόγηση με Εξέταση (Evaluating with Eval Output)
- Εκπαίδευση Μοντέλων σε Κλίμακα
- Οπτικοποίηση και Αξιολόγηση Μοντέλων με τη TensorBoard
Εφαρμογή Βάθυτου Μαθήματος στην Ανίχνευση Απόκλισης (Anomaly Detection)
- Αυτοκωδικόποιητης (Autoencoder)
- Αρχιτεκτονική Κωδικοποιητή - Δεκωδικοποιητή
- Χάμα ανασυγκατασκευής (Reconstruction loss)
- Αλληλεπιρρόφητου Αυτοκωδικόποιητη (Variational Autoencoder)
- Αλληλεπιρρόφηση παραμέτρων (Variational inference)
- Δίκτυο Παγκαταστολής Αντίθεσης (Generative Adversarial Network)
- Αρχιτεκτονική Συνδυασμού Κωδικοποιητή – Διάκριση (Generator - Discriminator architecture)
- Προσεγγίσεις AN χρησιμοποιώντας GAN
Ενδυναμωτικές Πλατφόρμες (Ensemble Frameworks)
- Συσχετισμός αποτελεσμάτων διαφορετικών μεθόδων
- Αγγείωση Συμβολής (Bootstrap Aggregating)
- Μέση ως συνάρτηση απόκλισης
Requirements
- Εμπειρία προγραμματισμού με Python
- Βασική γνώση στατιστικής και μαθηματικών εννοιών
Απευθύνεται σε
- Προγραμματιστές
- Επιστήμονες δεδομένων
28 Hours
Testimonials (5)
Η εκπαίδευση παρείχε μια ενδιαφέρουσα επισκόπηση των μοντέλων βαθιάς μάθησης και των σχετικών μεθόδων. Το θέμα ήταν πολύ νέο για μένα, αλλά τώρα νιώθω ότι έχω μια ιδέα για το τι μπορεί να περιλαμβάνει η τεχνητή νοημοσύνη και η ML, τι αποτελούνται αυτοί οι όροι και πώς μπορούν να χρησιμοποιηθούν επωφελώς. Γενικά, μου άρεσε η προσέγγιση να ξεκινήσω με το στατιστικό υπόβαθρο και τα βασικά μοντέλα μάθησης, όπως η γραμμική παλινδρόμηση, δίνοντας ιδιαίτερη έμφαση στις ενδιάμεσες ασκήσεις.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Η Άννα πάντα ρωτούσε αν υπάρχουν ερωτήσεις και πάντα προσπαθούσε να μας κάνει πιο ενεργούς θέτοντας ερωτήσεις, κάτι που μας έκανε όλους να συμμετέχουμε πραγματικά στην εκπαίδευση.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Μου άρεσε ο τρόπος που συνδυάζεται με τις πρακτικές.
Bertan - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Η μεγάλη εμπειρία / γνώση του εκπαιδευτή
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
το VM είναι μια ωραία ιδέα
Vincent - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
