Návrh Školení

Přehled AI v Python

  • Klíčové pojmy a rozsah AI
  • Knihovny pro rozvoj AI v Python
  • Struktura a pracovní postup projektu AI

Příprava dat pro AI

  • Vyčištění, transformace a inženýrství funkcí dat
  • Zpracování chybějících a nerovnovážných dat
  • Škálování funkcí a kódování

Supervised Learning Techniky

  • Regressní a klasifikační algoritmy
  • Kombinované metody: Random Forest, Gradient Boosting
  • Nastavení hyperparametrů a křížová validace

Unsupervised Learning Techniky

  • Metody shlukování: K-Means, DBSCAN, hierarchické shlukování
  • Změna dimenzionality: PCA, t-SNE
  • Použití nepřevzatého učení

Neural Networks a Deep Learning

  • Vstup do TensorFlow a Keras
  • Sestavování a trénování dopředných neuronových sítí
  • Optimalizace výkonu neuronových síť

Reinforcement Learning (Úvod)

  • Hlavní pojmy agentů, prostředí a odměn
  • Implementace základních algoritmů reforčního učení
  • Použití reforčního učení

Nasazování AI modelů

  • Uložení a načítání trénovaných modelů
  • Inkorporace modelů do aplikací prostřednictvím API
  • Sledování a udržování AI systémů v produkci

Shrnutí a další kroky

Požadavky

  • Pevný základ znalostí v programovacích fundamentech Python
  • Zkušenosti s knihovnami pro analýzu dat, jako jsou NumPy a pandas
  • Základní znalosti konceptů a algoritmů strojového učení

Cílová skupina

  • Software vývojáři, kteří chtějí rozšířit své dovednosti ve vývoji AI
  • Analýtičtí dat, kteří hledají způsob, jak aplikovat techniky AI na složité datasety
  • Profesionálové v oblasti R&D, kteří stavějí aplikace vybavené AI
 35 hodiny

Počet účastníků


Price per participant

Reference (3)

Upcoming Courses

Související kategorie