Свържете се с нас
 Продължителност 35 часa

Съдържание и теми, включени в курса

Преглед на ИИ в Python

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

Подготовка на данни за ИИ

  • Чистене, трансформация и инженерство на функции
  • Обработка на липсващи и несбалансирани данни
  • Мащабиране и кодиране на функции

Техники за надзирано обучение

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

Техники за ненадзирано обучение

  • Методи за кластеризация: K-Means, DBSCAN, йерархична кластеризация
  • Намаляване на размерността: PCA, t-SNE
  • Приложения на ненадзираното обучение

Невронни мрежи и дълбоко обучение

  • Въведение в TensorFlow и Keras
  • Изграждане и обучение на напредващи невронни мрежи
  • Оптимизация на ефективността на невронните мрежи

Обучение чрез усилване (Въведение)

  • Основен концепции за агенти, среди и награди
  • Внедряване на основни алгоритми за обучение чрез усилване
  • Приложения на обучението чрез усилване

Разгръщане на модели за ИИ

  • Съхраняване и зареждане на обучени модели
  • Интегриране на модели в приложения чрез API
  • Мониторинг и поддръжка на системи за ИИ в продуктивна среда

Обобщение и следващи стъпки

Изисквания

  • Твърдо разбиране на основите на програмирането на Python
  • Опит с библиотеки за анализ на данни, като NumPy и pandas
  • Базови познания за концепциите и алгоритмите в машинното обучение

Целева аудитория

  • Разработчи на софтуер, които искат да разширят уменията си в областта на разработката на ИИ
  • Анализатори на данни, които искат да прилагат техники за ИИ върху сложни набори от данни
  • Професионалисти от отделите за изследвания и разработки (R&D), които изграждат приложения с подкрепен ИИ

Брой участници


Цена за участник

Отзиви от участници (2)

Предстоящи Курсове

Свързани Kатегории