Kursplan

Veiledet læring: klassifisering og regresjon

    Maskinlæring i Python: introduksjon til scikit-learn API lineær og logistisk regresjonsstøtte vektor maskinnevrale nettverk tilfeldig skog
Sette opp en ende-til-ende overvåket læringspipeline ved hjelp av scikit-learn som 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 langtidskorttidsminnecellen

      Uovervåket læring: gruppering, 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 finansielle serier, som aksjekurser, kompleks mønstergjenkjenning naturlig språkbehandling anbefalingssystemer

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

    overfitting bias/varians trade-off bias 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)

    Related Categories