План на курса

Учене под наблюдение: класификация и регресия

    Компромис от отклонение Логистична регресия като класификатор Измерване на производителността на класификатора Поддържащи векторни машини Невронни мрежи Случайни гори

Неконтролирано обучение: групиране, откриване на аномалии

    автоенкодери за анализ на главни компоненти

Разширени архитектури на невронни мрежи

    конволюционни невронни мрежи за анализ на изображения повтарящи се невронни мрежи за структурирани във времето данни клетката на дългата краткосрочна памет

Практически примери за проблеми, които AI може да реши, напр

    анализ на изображения, прогнозиране на сложни финансови серии, като цени на акции, комплексно разпознаване на модели, обработка на естествен език, препоръчителни системи

Софтуерни платформи, използвани за AI приложения:

    TensorFlow, Theano, Caffe и Keras AI в мащаб с Apache Spark: Mlib

Разберете ограниченията на методите на ИИ: начини на отказ, разходи и често срещани трудности

    прекомерни отклонения в данните от наблюденията, липсващи данни, отравяне на невронната мрежа

Изисквания

Няма специфични изисквания, необходими за посещаване на този курс.

  28 Hours
 

Брой участници


Започва

Свършва


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Свързани Kурсове

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Свързани Kатегории