Návrh Školení

Řízené učení: klasifikace a regrese

    Strojové učení v Python: úvod do scikit-learn API podpora lineární a logistické regrese vektorové strojové neuronové sítě náhodný les
Nastavení end-to-end řízeného výukového kanálu pomocí scikit-learn práce s datovými soubory
  • imputace chybějících hodnot
  • zacházení s kategorickými proměnnými
  • vizualizace dat
  • Python rámce pro aplikace AI:
  • TensorFlow, Theano, Caffe a Keras AI v měřítku s Apache Spark: Mlib

      Pokročilé architektury neuronových sítí

    konvoluční neuronové sítě pro analýzu obrazu rekurentní neuronové sítě pro časově strukturovaná data buňka dlouhodobé krátkodobé paměti

      Učení bez dozoru: shlukování, detekce anomálií

    implementace analýzy hlavních komponent pomocí scikit-learn implementace autoencoderů v Keras

      Praktické ukázky problémů, které umí AI řešit (praktická cvičení s notebooky Jupyter), např

    analýza obrazu předpovídání komplexních finančních řad, jako jsou ceny akcií, komplexní systémy rozpoznávání vzorů pro zpracování přirozeného jazyka

      Pochopte omezení metod umělé inteligence: způsoby selhání, náklady a běžné potíže

    přehnané zkreslení/variance kompromisní zkreslení v pozorovacích datech otrava neuronovou sítí

      Aplikovaná projektová práce (volitelné)

    Požadavky

    Pro účast v tomto kurzu nejsou vyžadovány žádné zvláštní požadavky.

     28 hodiny

    Počet účastníků


    Price per participant

    Reference (2)

    Upcoming Courses

    Související kategorie