Kursplan

Oversikt over AI i Python

  • Nøkkelkonsepter og omfang av AI
  • Python-biblioteker for AI-utvikling
  • AI-prosjektstruktur og arbeidsflyt

Dataforberedelse for AI

  • Data rensing, transformasjon og feature engineering
  • Håndtering av manglende og ubalanserte data
  • Feature scaling og koding

Supervised Learning-teknikker

  • Regressjons- og klassifiseringsalgoritmer
  • Ensemble-metoder: Random Forest, Gradient Boosting
  • Hyperparameter-tuning og krysskontroll

Unsupervised Learning-teknikker

  • Klustringsmetoder: K-Means, DBSCAN, hierarkisk klustering
  • Dimensjonsreduksjon: PCA, t-SNE
  • Anvendelsesområder for uovervåket læringsalgoritmer

Neural Networks og Deep Learning

  • Introduksjon til TensorFlow og Keras
  • Bygging og trening av feedforward neural networks
  • Optimalisering av neural networks ytelse

Reinforcement Learning (Intro)

  • Kjernekonsepter av agenter, miljøer og belønninger
  • Implementering av grunnleggende forsterkende læringsalgoritmer
  • Anvendelser av forsterkende læringsalgoritmer

Implementering av AI-modeller

  • Lagring og lasting av trente modeller
  • Integrering av modeller i applikasjoner via APIs
  • Overvåking og vedlikehold av AI-systemer i produksjon

Oppsummering og neste skritt

Krav

  • Solid understanding of Python programming fundamentals
  • Erfaring med dataanalysebiblioteker som NumPy og pandas
  • Grunnleggende kunnskap om maskinlæringskonsepter og algoritmer

Målgruppe

  • Programvareutviklere som ønsker å utvide sine AI-utviklingsevner
  • Dataanalytikere som ønsker å bruke AI-teknikker på komplekse datamengder
  • Forsknings- og utviklingsprofesjonelle som bygger AI-drevne applikasjoner
 35 timer

Antall deltakere


Price per participant

Testimonials (3)

Upcoming Courses

Related Categories