Course Outline

Εισαγωγή στο Neural Networks

Εισαγωγή στην Εφαρμοσμένη Machine Learning

    Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή προκατάληψης-διακύμανσης

Μηχανική μάθηση με Python

    Επιλογή βιβλιοθηκών Πρόσθετα εργαλεία

Έννοιες και εφαρμογές μηχανικής μάθησης

Οπισθοδρόμηση

    Γραμμική παλινδρόμηση Γενικεύσεις και περιπτώσεις χρήσης μη γραμμικότητας

Ταξινόμηση

    Μπεϋζιανή ανανέωση Naive Bayes Logistic regression K-Κοντινότεροι γείτονες Use Cases

Διασταυρούμενη επικύρωση και επαναδειγματοληψία

    Η διασταυρούμενη επικύρωση προσεγγίζει το Bootstrap Use Cases

Εκμάθηση χωρίς επίβλεψη

    Ομαδοποίηση K-means Παραδείγματα Προκλήσεις μάθησης χωρίς επίβλεψη και πέρα από το K-means

Σύντομη εισαγωγή στις μεθόδους NLP

    λέξη και πρόταση συμβολική ταξινόμηση κειμένου ταξινόμηση συναίσθημα ανάλυση ορθογραφία διόρθωση πληροφοριών εξαγωγή ανάλυση νόημα εξαγωγή ερώτηση απάντηση απάντηση

Τεχνητή Νοημοσύνη & Deep Learning

Τεχνική Επισκόπηση

    R v/s Python Caffe v/s Tensor Flow Διάφορες βιβλιοθήκες μηχανικής εκμάθησης

Μελέτες περίπτωσης βιομηχανίας

Requirements

  1. Θα πρέπει να έχει βασικές γνώσεις λειτουργίας της επιχείρησης, καθώς και τεχνικές γνώσεις
  2. Πρέπει να έχει βασική κατανόηση λογισμικού και συστημάτων
  3. Βασική κατανόηση του Statistics (σε επίπεδα Excel)
  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (1)

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories