Kursplan
Introduksjon
Sette opp et arbeidsmiljø
Oversikt over AutoML funksjoner
Hvordan AutoML Utforsker algoritmer
- Gradient Boosting Machines (GBMs), Random Forests, GLMs, etc.
Løse problemer ved bruk-tilfelle
Løse problemer etter treningsdatatype
Hensyn til personvern
Kostnadshensyn
Forbereder data
Arbeide med numeriske og kategoriske data
- IID-tabelldata (H2O AutoML, auto-sklearn, TPOT)
Arbeide med tidsavhengige data (tidsseriedata)
Klassifisering av råtekst
Klassifisering av rå bildedata
- Deep Learning og Neural Architecture Search (TensorFlow, PyTorch, Auto-Keras, etc.)
Utplassering av en AutoML metode
En titt på algoritmene på innsiden AutoML
Sette sammen forskjellige modeller
Feilsøking
Oppsummering og konklusjon
Krav
- Erfaring med maskinlæringsalgoritmer.
- Python eller R programmeringserfaring.
Publikum
- Dataanalytikere
- Dataforskere
- Dataingeniører
- Utviklere
Testimonials (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete