Kursplan

Introduksjon til Applied Machine Learning

    Statistisk læring vs. maskinlæring Iterasjon og evaluering Bias-Varians-avveining Overvåket vs ikke-overvåket læringsproblemer løst med Machine Learning Train Validation Test – ML-arbeidsflyt for å unngå overtilpasning Arbeidsflyt for Machine Learning Maskinlæringsalgoritmer Velge passende algoritme til problemet

Algoritmevurdering

    Evaluering av numeriske spådommer Mål for nøyaktighet: ME, MSE, RMSE, MAPE Parameter og prediksjonsstabilitet
Evaluering av klassifiseringsalgoritmer Nøyaktighet og dens problemer
  • Forvirringsmatrisen
  • Problem med ubalanserte klasser
  • Visualisere modellytelse Profittkurve
  • ROC-kurve
  • Løftekurve
  • Modellvalg
  • Modelljustering – strategier for rutenettsøk
  • Dataforberedelse for modellering
  • Dataimport og lagring Forstå dataene – grunnleggende utforskninger Datamanipulasjoner med panda-biblioteket Datatransformasjoner – Datakrangel Utforskende analyse Manglende observasjoner – deteksjon og løsninger Outliers – deteksjon og strategier Standarisering, normalisering, binarisering Kvalitativ dataomkoding
  • Maskinlæringsalgoritmer for Outlier-deteksjon
  • Overvåkede algoritmer KNN Ensemble Gradient Boosting SVM

      Algoritmer uten tilsyn Avstandsbasert

    Tetthetsbaserte metoder

      Probabilistiske metoder
    Modellbaserte metoder
  • Forståelse Deep Learning
  • Oversikt over de grunnleggende konseptene for dyp læring Skille mellom Machine Learning og dyp læring Oversikt over applikasjoner for dyp læring
  • Oversikt over Neural Networks
  • Hva er Neural Networks Neural Networks vs regresjonsmodeller Forstå matematiske grunnlag og læringsmekanismer Konstruere et kunstig nevralt nettverk Forstå nevrale noder og forbindelser Arbeide med nevroner, lag og inngangs- og utdatadata Forstå enkeltlags perseptroner Forskjeller mellom overvåket og uovervåket FeLearning Forwarding og tilbakemelding Neural Networks Forstå spredning fremover og forplantning tilbake
  • Bygge enkle dyplæringsmodeller med Keras

      Opprette en Keras modell Forstå dataene dine Spesifisere dyplæringsmodellen din Kompilere modellen Tilpasse modellen Arbeide med klassifiseringsdataene Arbeide med klassifiseringsmodeller Bruke modellene dine

    Arbeide med TensorFlow for Deep Learning

      Forberede dataene Laste ned dataene Forberede opplæringsdata Forberede testdata Skaleringsinnganger ved hjelp av plassholdere og variabler

    Spesifisere nettverksarkitekturen

      Bruke kostnadsfunksjonen

    Bruke Optimizer

      Bruke initialiseringsprogrammer
    Tilpasning til det nevrale nettverket
  • Bygge grafinferensen
  • Tap
  • Opplæring
  • Trening av modellen The Graph
  • Sesjonen
  • Togsløyfe
  • Evaluering av modellen Bygge Eval-grafen
  • Evaluering med Eval Output
  • Treningsmodeller i stor skala
  • Visualisere og evaluere modeller med TensorBoard
  • Anvendelse av Deep Learning i anomalideteksjon
  • Autoencoder Encoder - Decoder Architecture Rekonstruksjonstap
  • Variasjonsautenkoder Variasjonsslutning
  • Generativ kontradiktorisk nettverksgenerator – Diskriminatorarkitektur
  • Tilnærminger til AN ved hjelp av GAN
  • Ensemble Frameworks
  • Kombinere resultater fra forskjellige metoder Bootstrap Aggregering av gjennomsnittlig avviksscore
  •  
  • Krav

    • Erfaring med Python programmering
    • Grunnleggende kjennskap til statistikk og matematiske begreper

    Publikum

    • Utviklere
    • Dataforskere
      28 timer
     

    Antall deltakere


    Starts

    Ends


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Relaterte kurs

    Related Categories