План на курса

Общ преглед на изкуствения интелект в Python

  • Основни концепции и обхват на изкуствен интелект
  • Библиотеки за разработване на изкуствен интелект в Python
  • Структура и работен процес на проектите за изкуствен интелект

Подготовка на данни за изкуствен интелект

  • Очистване, преобразуване и特征工程
  • Обработка на липсващи и несъответстващи данни
  • Масштабиране и кодиране на функции

Техники за контролирано обучение

  • Алгоритми за регресия и класификация
  • Комбинирани методи: Random Forest, Gradient Boosting
  • Настройване на хиперпараметри и кръстосано проверяване

Техники за неконтролирано обучение

  • Методи за групиране: K-Means, DBSCAN, иерархично групиране
  • Редукция на размерността: PCA, t-SNE
  • Приложения на методите за неконтролирано обучение

Невронни мрежи и дълбоко обучение

  • Въведение в TensorFlow и Keras
  • Създаване и обучаване на фид форвард невронни мрежи
  • Оптимизиране на ефективността на невронните мрежи

Укрепено обучение (Въведение)

  • Основни концепции за агенти, среда и награди
  • Реализация на основни алгоритми за укрепено обучение
  • Приложения на методите за укрепено обучение

Внедряване на модели за изкуствен интелект

  • Запазване и зареждане на обучени моделите
  • Интегриране на моделите в приложения чрез API-то
  • Мониторинг и поддръжка на системите за изкуствен интелект в продажбата

Резюме и следващи стъпки

Изисквания

  • Здравословно 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 в машинното обучение

Публика

  • Програмисти, които се стремят да разшират уменията си за разработване на изкуствен интелект
  • Аналитици на данни, търсещи приложения на методите на изкуствен интелект към сложни набори от данни
  • Профессионалисти в R&D, които създават приложения за изкуствен интелект
 35 часа

Брой участници


Цена за участник

Отзиви от потребители (3)

Предстоящи Курсове

Свързани Kатегории