Ta kontakt

Kursplan

Tilsikted læring: klassifisering og regresjon

  • MASKINLÆRING I PYTHON: Innføring i scikit-learn API-et
    • Lineær og logistisk regresjon
    • Støttvektmaskin (SVM)
    • Nevrale nettverk
    • Tilfeldig skog (Random forest)
  • Oppretting av en end-to-end tilsikted læring-pipeline ved hjelp av scikit-learn
    • Arbeid med datafiler
    • Kompensering av manglende verdier (imputation)
    • Håndtering av kategorielle variabler
    • Visualisering av data

Python-rammeverk for AI-applikasjoner:

  • TensorFlow, Theano, Caffe og Keras
  • AI i stor skala med Apache Spark: MLlib

Avanserte nevrale nettverksarkitekturer

  • Konvolutive nevrale nettverk for bildeanalyse
  • Rekurrente nevrale nettverk for tidsseriestrukturerte data
  • Langtidsminn-celler (LSTM)

Utsiktet læring: clustering og anomali-deteksjon

  • Implementasjon av hovedkomponentanalyse (PCA) med scikit-learn
  • Implementasjon av autoenkodere i Keras

Praktiske eksempler på problemer som AI kan løse (praktiske øvelser ved hjelp av Jupyter-hefter), f.eks. 

  • Bildeanalyse
  • Forutsigelse av komplekse finansielle serier, som aksjekurser
  • Kompleks mønstergjenkjenning
  • Naturlig språkbearbeiding
  • Anbeflingssystemer

Forstå begrensningene i AI-metoder: feilmodus, kostnader og vanlige utfordringer

  • Overpassing (overfitting)
  • Forurensning/variant-kompromiss (bias/variance trade-off)
  • Bias i observasjonsdata
  • Forgiftning av nevrale nettverk

Anvendt prosjektarbeid (valgfritt)

Krav

Det er ingen spesifikke krav for å delta på dette kurset.

 28 Timer

Antall deltakere


Pris per deltaker

Referanser (2)

Kommende kurs

Relaterte kategorier