XGBoost for Gradient Boosting Treningskurs
XGBoost er et beslutnings-tree-basert ensemble Machine Learning algoritme. Den bruker et gradient boosting-ramme for å løse prognoseproblemer som involverer ustrukturerte data som bilder og tekst. Gradient boosting er også en populær teknikk for effektiv modellering av tabelldatasett.
Denne instruktørledede, live-trening (online eller on-site) er rettet mot data forskere som ønsker å bruke XGBoost til å bygge modeller som effektivt løser regresjon, klassifisering, rangering og forutsetning problemer.
Ved slutten av denne treningen vil deltakerne være i stand til å:
- Installere og konfigurere XGBoost.
- Forstå forholdet mellom beslutnings tre og andre algoritmer som logistisk regresjon og tilfeldig skog.
- Test forskjellige biblioteker for å bestemme den beste for jobben.
- Velg riktig konfigurasjon for en algoritme.
- Tune hyperparametrene til et algoritme for et gitt datasett.
- Implementere en maskinlæringsløsning som balanserer kraft med kompleksitet, forklarbarhet og enkel implementering.
Format av kurset
- Interaktiv forelesning og diskusjon.
- Mange øvelser og praksis.
- Hands-on implementering i et live-lab miljø.
Kurs tilpassingsalternativer
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å arrangere.
Kursplan
Introduksjon
- Kunstige nevrale nettverk vs beslutningstrebaserte algoritmer
Oversikt over XGBoost-funksjoner
- Elementer i en Gradient Boosting-algoritme Fokus på beregningshastighet og modellytelse XGBoost vs Logistic Regression, Random Forest og standard Gradient Boosting
Utviklingen av trebaserte algoritmer
- Decision Trees, Bagging, Random Forest, Boosting, Gradient Boosting Systemoptimalisering Algoritmiske forbedringer
Forberede miljøet
- Installerer SciPy og scikit-learn
Opprette en XGBoost-modell
- Laste ned et datasett Løse et vanlig klassifiseringsproblem Trening av XGBoost-modellen for klassifisering Løs en vanlig regresjonsoppgave
Overvåking av ytelse
- Evaluere og rapportere ytelse Tidlig stopp
Plotte funksjoner etter viktighet
- Beregne funksjonens betydning Bestemme hvilke inngangsvariabler som skal beholdes eller forkastes
Konfigurere Gradient Boosting
- Gjennomgå læringskurvene på opplærings- og valideringsdatasett Justere læringshastigheten Justere antall trær
Innstilling av hyperparameter
- Forbedre ytelsen til en XGBoost-modell Utforme et kontrollert eksperiment for å justere hyperparametere Searchkombinasjoner av parametere
Opprette en rørledning
- Innlemme en XGBoost-modell i en ende-til-ende maskinlæringspipeline Tuning av hyperparametre i pipeline Avanserte forbehandlingsteknikker
Feilsøking
Oppsummering og konklusjon
Krav
- Erfaring med å skrive maskinlæringsmodeller
Publikum
- Dataforskere
- Maskinlæringsingeniører
Open Training Courses require 5+ participants.
XGBoost for Gradient Boosting Treningskurs - Booking
XGBoost for Gradient Boosting Treningskurs - Enquiry
XGBoost for Gradient Boosting - Consultancy Enquiry
Upcoming Courses
Relaterte kurs
H2O AutoML
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke H2O AutoML til å automatisere prosessen med å bygge og velge den beste maskinlæringsalgoritmen og parametrene.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Automatiser arbeidsflyten for maskinlæring.
- Tren og juster automatisk mange maskinlæringsmodeller innenfor et spesifisert tidsrom.
- Tren stablede ensembler for å komme frem til svært prediktive ensemblemodeller.
AutoML with Auto-sklearn
14 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot maskinlæringsutøvere som ønsker å bruke Auto-sklearn til å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
- Bygg svært nøyaktige maskinlæringsmodeller mens du omgår de mer kjedelige oppgavene med å velge, trene og teste forskjellige modeller.
- Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.
AutoML with Auto-Keras
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere så vel som mindre tekniske personer som ønsker å bruke Auto-Keras for å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
- Søk automatisk etter de beste parametrene for dyplæringsmodeller.
- Bygg svært nøyaktige maskinlæringsmodeller.
- Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.
Introduction to Stable Diffusion for Text-to-Image Generation
21 timerDenne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere, maskinlæringsingeniører og datasynsforskere som ønsker å utnytte Stable Diffusion til å generere bilder av høy kvalitet for en rekke bruksområder.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå prinsippene for Stable Diffusion og hvordan det fungerer for bildegenerering. Bygg og tren Stable Diffusion-modeller for bildegenereringsoppgaver. Bruk Stable Diffusion på ulike scenarier for bildegenerering, for eksempel innpainting, outpainting og bilde-til-bilde-oversettelse. Optimaliser ytelsen og stabiliteten til Stable Diffusion-modeller.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot dataforskere på middels til avansert nivå, maskinlæringsingeniører, dyplæringsforskere og datasynseksperter som ønsker å utvide kunnskapen og ferdighetene sine innen dyp læring for tekst-til-bilde generering.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå avanserte dyplæringsarkitekturer og teknikker for tekst-til-bilde generering. Implementer komplekse modeller og optimaliseringer for bildesyntese av høy kvalitet. Optimaliser ytelse og skalerbarhet for store datasett og komplekse modeller. Juster hyperparametre for bedre modellytelse og generalisering. Integrer Stable Diffusion med andre dyplæringsrammer og verktøy
AlphaFold
7 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot biologer som ønsker å forstå hvordan AlphaFold fungerer og bruke AlphaFold modeller som guider i sine eksperimentelle studier.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå de grunnleggende prinsippene til AlphaFold.
- Finn ut hvordan AlphaFold fungerer.
- Lær hvordan du tolker AlphaFold spådommer og resultater.
TensorFlow Lite for Embedded Linux
21 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å distribuere dyplæringsmodeller på innebygde enheter.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer Tensorflow Lite på en innebygd enhet.
- Forstå begrepene og komponentene som ligger til grunn TensorFlow Lite.
- Konverter eksisterende modeller til TensorFlow Lite-format for kjøring på innebygde enheter.
- Arbeid innenfor begrensningene til små enheter og TensorFlow Lite, mens du lærer hvordan du utvider omfanget av operasjoner som kan kjøres.
- Implementer en dyp læringsmodell på en innebygd enhet som kjører Linux.
TensorFlow Lite for Android
21 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle mobile applikasjoner med dyp læringsevne.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer TensorFlow Lite.
- Forstå prinsippene bak TensorFlow, maskinlæring og dyp læring.
- Last TensorFlow-modeller på en Android-enhet.
- Aktiver dyp læring og maskinlæringsfunksjonalitet som datasyn og naturlig språkgjenkjenning i en mobilapplikasjon.
Tensorflow Lite for Microcontrollers
21 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å skrive, laste og kjøre maskinlæringsmodeller på svært små innebygde enheter.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer TensorFlow Lite.
- Last inn maskinlæringsmodeller på en innebygd enhet for å gjøre den i stand til å oppdage tale, klassifisere bilder osv.
- Legg til AI til maskinvareenheter uten å stole på nettverkstilkobling.
TensorFlow Lite for iOS
21 timerDenne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot utviklere som ønsker å bruke TensorFlow Lite til å utvikle iOS-mobilapplikasjoner med dyplæringsevner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer TensorFlow Lite.
- Forstå prinsippene bak TensorFlow og maskinlæring på mobile enheter.
- Last TensorFlow-modeller på en iOS-enhet.
- Kjør en iOS-applikasjon som er i stand til å oppdage og klassifisere et objekt fanget gjennom enhetens kamera.
Edge AI with TensorFlow Lite
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på mellomnivå, dataforskere og AI-utøvere som ønsker å utnytte TensorFlow Lite for Edge AI-applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå det grunnleggende om TensorFlow Lite og dens rolle i Edge AI.
- Utvikle og optimalisere AI-modeller ved å bruke TensorFlow Lite.
- Distribuer TensorFlow Lite-modeller på ulike edge-enheter.
- Bruk verktøy og teknikker for modellkonvertering og -optimalisering.
- Implementer praktiske Edge AI-applikasjoner ved å bruke TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot AI-utviklere på mellomnivå, maskinlæringsingeniører og systemarkitekter som ønsker å optimalisere AI-modeller for edge-distribusjon.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå utfordringene og kravene ved å distribuere AI-modeller på edge-enheter.
- Bruk modellkomprimeringsteknikker for å redusere størrelsen og kompleksiteten til AI-modeller.
- Bruk kvantiseringsmetoder for å forbedre modelleffektiviteten på kantmaskinvare.
- Implementer beskjæring og andre optimaliseringsteknikker for å forbedre modellens ytelse.
- Distribuer optimaliserte AI-modeller på ulike edge-enheter.
Edge AI in Industrial Automation
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot industrielle ingeniører på middels nivå, produksjonsfagfolk og AI-utviklere som ønsker å implementere Edge AI-løsninger i industriell automasjon.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå rollen til Edge AI i industriell automasjon.
- Implementer prediktive vedlikeholdsløsninger ved hjelp av Edge AI.
- Bruk AI-teknikker for kvalitetskontroll i produksjonsprosesser.
- Optimaliser industrielle prosesser ved hjelp av Edge AI.
- Distribuer og administrer Edge AI-løsninger i industrielle miljøer.
Edge AI for Financial Services
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk på mellomnivå, fintech-utviklere og AI-spesialister som ønsker å implementere Edge AI-løsninger i finansielle tjenester.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå rollen til Edge AI i finansielle tjenester.
- Implementer svindeldeteksjonssystemer ved hjelp av Edge AI.
- Forbedre kundeservicen gjennom AI-drevne løsninger.
- Bruk Edge AI for risikostyring og beslutningstaking.
- Distribuer og administrer Edge AI-løsninger i finansielle miljøer.
Deep Learning Neural Networks with Chainer
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot forskere og utviklere som ønsker å bruke Chainer til å bygge og trene nevrale nettverk i Python samtidig som koden er enkel å feilsøke.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle nevrale nettverksmodeller.
- Definer og implementer nevrale nettverksmodeller ved å bruke en forståelig kildekode.
- Utfør eksempler og modifiser eksisterende algoritmer for å optimalisere treningsmodeller for dyp læring mens du utnytter GPUer for høy ytelse.