Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod a nastavení prostředí
- Co je AutoML a proč je důležité
- Nastavení Pythonu a R prostředí
- Konfigurace vzdálené plochy a cloudu
Prozkoumání funkcí AutoML
- Základní schopnosti frameworků AutoML
- Optimalizace hyperparametrů a strategie hledání
- Interpretace výstupů a logů z AutoML
Jak AutoML vybírá algoritmy
- Gradient Boosting Machines (GBMs), Random Forests, GLM
- Neuronové sítě a backendy pro hluboké učení
- Výměna: přesnost vs. interpretovatelnost vs. náklady
Příprava a preprocessing dat
- Práce s číselnými a kategorickými daty
- Inženýrství funkcí a strategie kódování
- Zpracování chybějících hodnot a nerovnováhy v datech
AutoML pro různé typy dat
- Tabulková data (H2O AutoML, auto-sklearn, TPOT)
- Časové řady (predikce a sekvenciální modelování)
- Textové úlohy a NLP (kategorizace, analýza nálad)
- Klasifikace obrazů a počítačové vidění (Auto-Keras, TensorFlow, PyTorch)
Nasazení a monitorování modelů
- Export a nasazení AutoML modelů
- Vytváření pipeline pro predikce v reálném čase
- Monitorování driftu modelu a strategie přetrénování
Ensembling a pokročilé témata
- Zásobníkování (stacking) a míchání (blending) AutoML modelů
- Ochrana soukromí a dodržování předpisů
- Optimalizace nákladů pro široké nasazení AutoML
Řešení problémů a případové studie
- Běžné chyby a jejich odstraňování
- Interpretace výkonu modelů AutoML
- Případové studie z průmyslových aplikací
Shrnutí a další kroky
Požadavky
- Zkušenosti s algoritmy strojového učení
- Zkušenosti s programováním v Pythonu nebo R
Cílová skupina
- Analýzi dat (Data analysts)
- Odborníci na data (Data scientists)
- Inženýři dat (Data engineers)
- Programátoři (Developers)
14 hodiny
