Свържете се с нас

Съдържание и теми, включени в курса

Преглед на ИИ в Python

  • Ключови концепции и обхват на ИИ
  • Python библиотеки за разработка на ИИ
  • Структура и работен процес на ИИ проекти

Подготовка на данни за ИИ

  • Почистване, трансформация и инженеринг на характеристики на данни
  • Справяне с липсващи и небалансирани данни
  • Мащабиране и кодиране на характеристики

Техники за обучение с учител

  • Алгоритми за регресия и класификация
  • Ансамблови методи: Random Forest, Gradient Boosting
  • Настройка на хиперпараметри и кръстосано валидиране

Техники за обучение без учител

  • Клъстерни методи: K-Means, DBSCAN, йерархична клъстеризация
  • Намаляване на размерността: PCA, t-SNE
  • Приложни случаи за обучение без учител

Невронни мрежи и дълбоко обучение

  • Въведение в TensorFlow и Keras
  • Изграждане и обучение на невронни мрежи с право предаване
  • Оптимизиране на производителността на невронни мрежи

Обучение с подсилване (въведение)

  • Основни концепции за агенти, среди и награди
  • Внедряване на основни алгоритми за обучение с подсилване
  • Приложения на обучението с подсилване

Внедряване на ИИ модели

  • Запазване и зареждане на обучени модели
  • Интегриране на модели в приложения чрез API-та
  • Мониторинг и поддръжка на ИИ системи в продукция

Обобщение и следващи стъпки

Изисквания

  • Солидно разбиране на основите на програмирането с Python
  • Опит с библиотеки за анализ на данни като NumPy и pandas
  • Основни познания за концепциите и алгоритмите на машинното обучение

Аудитория

  • Софтуерни разработчици, които се стремят да разширят уменията си за разработка на ИИ
  • Анализатори на данни, търсещи прилагане на ИИ техники към комплексни набори от данни
  • Професионалисти в областта на научноизследователската и развойната дейност, изграждащи приложения, задвижвани от ИИ
 35 Часа

Брой участници


Цена за участник

Отзиви от участници (2)

Предстоящи Курсове

Свързани Kатегории