Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod
- Rozdíl mezi statistickým učením (statistická analýza) a strojovým učením
- Přijetí technologie strojového učení a talentu finančními a bankovními společnostmi
Různé typy Machine Learning
- Učení pod dohledem versus učení bez dohledu
- Iterace a hodnocení
- Kompromis zkreslení a odchylky
- Kombinace učení pod dohledem a učení bez dozoru (učení napůl pod dohledem)
Machine Learning Languages a sady nástrojů
- Open source versus proprietární systémy a software
- Python vs R vs Matlab
- Knihovny a rámce
Machine Learning Případové studie
- Spotřebitelská data a velká data
- Hodnocení rizik spotřebitelských a podnikatelských úvěrů
- Zlepšení služeb zákazníkům prostřednictvím analýzy sentimentu
- Odhalování podvodů s identitou, fakturačních podvodů a praní špinavých peněz
Praktické: Python pro Machine Learning
- Příprava vývojového prostředí
- Získání Python knihoven a balíčků strojového učení
- Práce se scikit-learn a PyBrain
Jak načíst Machine Learning data
- Databases, datové sklady a streamovaná data
- Distribuované skladování a zpracování pomocí Hadoop a Spark
- Exportovaná data a Excel
Modelování Business Rozhodování s kontrolovaným učením
- Klasifikace vašich údajů (klasifikace)
- Použití regresní analýzy k predikci výsledku
- Výběr z dostupných algoritmů strojového učení
- Pochopení algoritmů rozhodovacího stromu
- Pochopení náhodných lesních algoritmů
- Hodnocení modelu
- Cvičení
Regresní analýza
- Lineární regrese
- Zobecnění a nelinearita
- Cvičení
Klasifikace
- Bayesovské osvěžení
- Naivní Bayes
- Logistická regrese
- K-Nejbližší sousedé
- Cvičení
Praktické: Sestavení modelu odhadu
- Posouzení úvěrového rizika na základě typu a historie zákazníka
Hodnocení výkonnosti Machine Learning Algoritmů
- Křížová validace a převzorkování
- Bootstrap agregace (bagování)
- Cvičení
Modelování Business Rozhodování s učením bez dozoru
- Když nejsou k dispozici vzorové datové sady
- K-znamená shlukování
- Výzvy učení bez dozoru
- Mimo K-means
- Bayesovy sítě a Markovovy skryté modely
- Cvičení
Praktické: Vybudování systému doporučení
- Analýza chování zákazníků v minulosti za účelem zlepšení nabídky nových služeb
Rozšíření schopností vaší společnosti
- Vývoj modelů v cloudu
- Urychlení strojového učení pomocí GPU
- Aplikace Deep Learning neuronových sítí pro počítačové vidění, rozpoznávání hlasu a analýzu textu
Závěrečné poznámky
Požadavky
- Zkušenosti s programováním Python
- Základní znalost statistiky a lineární algebry
21 hodiny
Reference (2)
ML ekosystém neobsahuje pouze MLflow, ale také Optuna, Hyperopt, Docker a Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
Přeloženo strojem
Rád jsem se zúčastnil školení Kubeflow, které proběhlo vzdáleně. Toto školení mi umožnilo prohloubit znalosti o službách AWS, K8s a všech devOps nástrojích kolem Kubeflow, což jsou nezbytné základy pro správný přístup k tématu. Rád bych poděkoval Marcinovi Malawskimu za jeho trpělivost a profesionální přístup při školení a poradách o osvědčených postupech. Malawski se k tématu přibližuje z různých úhlů, používá různé nástroje pro nasazení jako Ansible, EKS kubectl a Terraform. Teď jsem naprosto přesvědčen, že vstupuji do správného oboru aplikace.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurz - Kubeflow
Přeloženo strojem
