Návrh Školení

Řízené učení: klasifikace a regrese

  • Machine Learning v Python: úvod do scikit-learn API
    • lineární a logistická regrese
    • podpora vektorového stroje
    • neuronové sítě
    • náhodný les
  • Nastavení end-to-end vedení učení pod dohledem pomocí scikit-learn
    • práci 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
  • buňku dlouhodobé krátkodobé paměti

Učení bez dozoru: shlukování, detekce anomálií

  • implementace analýzy hlavních komponent pomocí scikit-learn
  • implementace automatických kodérů v Keras

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

  • analýza obrazu
  • předpovídání složitých finančních řad, jako jsou ceny akcií,
  • komplexní rozpoznávání vzorů
  • zpracování přirozeného jazyka
  • doporučovací systémy

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

  • přepastování
  • kompromis zkreslení/variance
  • zkreslení v pozorovacích datech
  • otrava neuronové sítě

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