Návrh Školení
Úvod
Nastavení pracovního prostředí
Přehled AutoML funkcí
Jak AutoML zkoumá algoritmy
- Gradient Boosting Machines (GBM), Random Forest, GLM atd.
Řešení problémů podle případu použití
Řešení problémů podle typu tréninkových dat
Úvahy o ochraně osobních údajů
Úvahy o nákladech
Příprava dat
Práce s číselnými a kategorickými daty
- Tabulková data IID (H2O AutoML, auto-sklearn, TPOT)
Práce s časově závislými daty (data časových řad)
Klasifikace surového textu
Klasifikace nezpracovaných obrazových dat
- Deep Learning and Neural Architecture Search (TensorFlow, PyTorch, Auto-Keras atd.)
Nasazení metody AutoML
Pohled na algoritmy uvnitř AutoML
Skládání různých modelů dohromady
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Zkušenosti s algoritmy strojového učení.
- Python nebo zkušenosti s programováním R.
Publikum
- Datové analytiky
- Datoví vědci
- datoví inženýři
- Vývojáři
Reference (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurz - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurz - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete