План на курса

Обзор на AI в Python

  • Ключови концепции и обхват на AI
  • Python библиотеки за разработка на AI
  • Структура на проект и работа на AI

Подготовка на данни за AI

  • Чистка, трансформация и инженеринг на характеристики на данни
  • Работа с липсващи и несбалансирани данни
  • Мащабиране и кодиране на характеристики

Supervised Learning техники

  • Алгоритми за регресия и класификация
  • Методи за ансамбъл: Random Forest, Gradient Boosting
  • Настройване на хиперпараметри и кръстосана валидация

Unsupervised Learning техники

  • Методи за кластеризация: K-Means, DBSCAN, йерархична кластеризация
  • Намаляване на размерност: PCA, t-SNE
  • Примери за приложение на несъпровождени алгоритми за обучение

Neural Networks и Deep Learning

  • Введение в TensorFlow и Keras
  • Създаване и обучение на предно-обръщащи се невронни мрежи
  • Оптимизация на производителността на невронни мрежи

Reinforcement Learning (Введение)

  • Основни концепции за агенти, среди и наград
  • Имплементация на базични алгоритми за съпоставно обучение
  • Приложения на съпоставно обучение

Разгръщане на AI модели

  • Запазване и заредване на обучени модели
  • Интеграция на модели в приложения чрез API
  • Мониторинг и поддържане на AI системи в производство

Резюме и следващи стъпки

Изисквания

<уl>
  • Твърдо разбиране на основните принципи на програмирането с Python
  • Опит с библиотеки за анализ на данни, като NumPy и pandas
  • Основни знания за концепциите и алгоритмите на машинно обучение
  • Целева аудитория

    • Разработчици на софтуер, които искат да разширят уменията си в разработката на AI
    • Аналитици на данни, които искат да приложат AI техники към сложни набори данни
    • Специалисти по научни изследвания, които разработват приложения с AI
     35 Часа

    Брой участници


    Цена за участник

    Oтзиви от потребители (3)

    Предстоящи Курсове

    Свързани Kатегории