Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Εισαγωγή στην Εφαρμοσμένη Μηχανική Μάθηση
- Στατιστικό μάθημα vs. Μηχανικό μάθημα
- Επανάληψη και αξιολόγηση
- Συμβιβαστής προκατάληψης-Βάρια
- Εποπτικό vs. Μη εποπτικό μάθημα
- Προβλήματα που λύνεται με τη Μηχανική Μάθηση
- Εκπαίδευση, Έγκριση, Δοκιμή – κατεύθυνση του ML για να αποφευχθεί υπερφυτογωνία
- Κατεύθυνση του Μηχανικού Μαθήματος
- Αλγόριθμοι μηχανικής μάθησης
- Επιλογή κατάλληλου αλγόριθμου για το πρόβλημα
Αξιολόγηση Αλγορίθμων
-
Αξιολόγηση αριθμητικών προβλέψεων
- Μέτρα ακρίβειας: ME, MSE, RMSE, MAPE
- Σταθερότητα παραμέτρων και προβλέψεων
-
Αξιολόγηση αλγορίθμων κατηγορικής κλάσης
- Ακρίβεια και τα προβλήματά της
- Η μatrice παρεξήγησης
- Πρόβλημα ακούραστων κλάσεων
-
Οπτική παρουσίαση της απόδοσης του μοντέλου
- Καμπύλη κέρδους
- Καμπύλη ROC
- Καμπύλη ενίσχυσης
- Επιλογή μοντέλου
- Συμφιλίωση μοντέλου – στρατηγικές πλέξης
Προεργασία δεδομένων για το μοντέλο
- Εισαγωγή και αποθήκευση δεδομένων
- Κατανόηση των δεδομένων – βασικές εξερεύνησεις
- Επεξεργασία δεδομένων με τη βιβλιοθήκη pandas
- Μετατροπή δεδομένων – εργασία προς τα νόημα
- Εξερευνητική ανάλυση
- Απώλειε δεδομένων – ανίχνευση και λύσεις
- Εκτόπια σημεία – ανίχνευση και στρατηγικές
- Κανονικοποίηση, εφαρμογή χωρίζοντας τα δεδομένα σε κατηγορίες
- Ανακωδικοποίηση ποιοτικών δεδομένων
Αλγόριθμοι μηχανικής μάθησης για την ανίχνευση εκτόπων σημείων
-
Εποπτικοί αλγόριθμοι
- KNN
- Συστήματα με ενισχυτική πλέξη
- SVM
-
Μη εποπτικοί αλγόριθμοι
- Βασισμένοι σε απόσταση
- Μέθοδοι πυκνότητας
- Πιθανοφάνειες μέθοδοι
- Μέθοδοι προτυπωνόμενης μοντέλου
Κατανόηση του βαθιού μάθηματος
- Γενική περίληψη των βασικών εννοιών του βαθιού μαθήματος
- Διάκριση ανάμεσα στη Μηχανική Μάθηση και το βαθύ μάθημα
- Γενική περίληψη για εφαρμογές του βαθιού μαθήματος
Περίληψη των νευρωνικών δικτύων
- Τι είναι τα νευρωνικά δίκτυα
- Νευρωνικά δίκτυα vs. μοντέλα παλινδρόμησης
- Κατανόηση των μαθηματικών βάσεων και των μηχανισμών μάθησης
- Κατασκευή ενός τεχνητού νευρωνικού δικτύου
- Κατανόηση των κόμβων νευρώνων και συνδέσεων
- Εργασία με τους νευρώνους, τις στρώσεις και τα εισόδημα και δεδομένα εξόδου
- Κατανόηση μονοστρωνών περιπτεριφερειακών δικτύων
- Διάκριση ανάμεσα στο εποπτικό και μη εποπτικό μάθημα
- Μάθηση των προς τα εμπρός και αντίστροφα νευρωνικών δικτύων
- Κατανόηση του προς τα εμπρός και αντίστροφο μετάδοση
Κατασκευή απλών μοντέλων βαθιάς μάθησης με Keras
- Δημιουργία ενός μοντέλου Keras
- Κατανόηση των δεδομένων σας
- Καθορισμός του μοντέλου βαθιάς μάθησης
- Συντελείωση του μοντέλου σας
- Εξάρκεια του μοντέλου σας
- Εργασία με δεδομένα κατηγορικής κλάσης
- Εργασία με μοντέλα κατηγορικής κλάσης
- Χρήση των μοντέλων σας
Εργασία με TensorFlow για βαθιά μάθηση
-
Προεργασία των δεδομένων
- Κατεβάσιμο δεδομένων
- Εκπόνηση εκπαιδευτικών δεδομένων
- Εκπόνηση δεδομένων κατάληψης
- Κλίμακα εισόδων
- Χρήση χώρου αποθετηρίου και μεταβλητών
- Καθορισμός της αρχιτεκτονικής δικτύου
- Χρήση συνάρτησης κόστους
- Χρήση επιμελητή
- Χρήση αρχικοποίησης
- Εξάρκεια του νευρωνικού δικτύου
-
Δημιουργία γράφου
- Συμπέρασμα
- Απώλεια
- Εκπαίδευση
-
Εκπαίδευση του μοντέλου
- Ο γράφος
- Η συνεδρίαση
- Κύκλος εκπαίδευσης
-
Αξιολόγηση του μοντέλου
- Δημιουργία γράφου αξιολόγησης
- Αξιολόγηση με εξέταση εξόδου
- Εκπαίδευση μοντέλων σε κλίμακα
- Οπτική παρουσίαση και αξιολόγηση των μοντέλων με TensorBoard
Εφαρμογή βαθιάς μάθησης στην ανίχνευση αποκλίσεων
-
Autoencoder
- Αρχιτεκτονική κωδικοποιητή-αποκωδικοποιητή
- Απώλεια ανάσχεσης
-
Variational Autoencoder
- Μεταβλητή προσδιορισμός
-
Generative Adversarial Network
- Αρχιτεκτονική παράγων-διακρίνουσας δομής
- Προσέγγιση AN χρησιμοποιώντας GAN
Ενδυναμωτικά πλαίσια
- Συνδυασμός αποτελεσμάτων από διάφορες μέθοδους
- Bootstrap Aggregating
- Μέση τιμή σκορ εκτόπων σημείων
Απαιτήσεις
- Εμπειρία στην προγραμματισμό Python
- Βασική γνώση στατιστικών και μαθηματικών εννοιών
Ακροατήριο
- Προγραμματιστές
- Επιστήμονες δεδομένων
28 Ώρες
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
