Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Introduksjon og oppsett av miljø
- Hva er AutoML og hvorfor det er viktig
- Oppsett av Python- og R-miljøer
- Konfigurering av fjernskrivebord og sky-miljøer
Undersøkelse av AutoML-funksjoner
- Kjerneegenskapene til AutoML-rammeverk
- Hyperparameteroptimalisering og søkestrategier
- Tyding av AutoML-utdata og loggfiler
Hvordan AutoML velger algoritmer
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- Nerve nettverk og deep learning-backender
- Avveininger: nøyaktighet vs. tolkningsbarhet vs. kostnad
Datapreparering og forbehandling
- Arbeid med numeriske og kategoriske data
- Feature engineering og kodingstrategier
- Håndtering av manglende verdier og datapålitelighet
AutoML for forskjellige datatyper
- Tabulære data (H2O AutoML, auto-sklearn, TPOT)
- Tidsrekke data (prognose og sekvensmodellering)
- Tekst og NLP-oppgaver (klassifisering, følelsesanalyse)
- Bildeklassifisering og datamaskinvisjon (Auto-Keras, TensorFlow, PyTorch)
Modellinnføring og overvåking
- Eksport og innføring av AutoML-modeller
- Opprettelse av pipeliner for forutseelser i sanntid
- Overvåking av modellavvik og omtreningstrategier
Ensemble og avanserte emner
- Stakk og blanding av AutoML-modeller
- Privatsphære- og overholdelsesoverveielser
- Kostnadsoptimalisering for storskalig AutoML
Problemløsning og case-studier
- Vanlige feil og hvordan du fikser dem
- Tyding av AutoML-modellprestasjon
- Case-studier fra industriell bruk
Sammendrag og neste steg
Krav
- Erfaring med maskinlæringsalgoritmer
- Python eller R programmeringserfaring
Målgruppe
- Dataanalytikere
- Datavitere
- Dataingeniører
- Utviklere
14 timer
