Kursplan

Veiledet læring: klassifisering og regresjon

  • Machine Learning i Python: introduksjon til scikit-learn API
    • lineær og logistisk regresjon
    • støtte vektor maskin
    • nevrale nettverk
    • tilfeldig skog
  • Sette opp en ende-til-ende overvåket læringspipeline ved hjelp av scikit-learn
    • arbeider med datafiler
    • imputering av manglende verdier
    • håndtering av kategoriske variabler
    • visualisere data

Python rammer for AI-applikasjoner:

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

Avanserte nevrale nettverksarkitekturer

  • konvolusjonelle nevrale nettverk for bildeanalyse
  • tilbakevendende nevrale nettverk for tidsstrukturerte data
  • den lange korttidsminnecellen

Uovervåket læring: klynging, oppdagelse av anomalier

  • implementere hovedkomponentanalyse med scikit-learn
  • implementere autoenkodere i Keras

Praktiske eksempler på problemer som AI kan løse (praktiske øvelser med Jupyter-notatbøker), f.eks.

  • bildeanalyse
  • prognoser komplekse finansserier, som aksjekurser,
  • kompleks mønstergjenkjenning
  • naturlig språkbehandling
  • anbefalingssystemer

Forstå begrensninger ved AI-metoder: feilmåter, kostnader og vanlige vanskeligheter

  • overmontering
  • bias/varians avveining
  • skjevheter i observasjonsdata
  • nevrale nettverksforgiftning

Anvendt prosjektarbeid (valgfritt)

Krav

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

 28 timer

Antall deltakere


Price per participant

Testimonials (2)

Upcoming Courses

Related Categories