План на курса

Въведение и настройка на средата

  • Кой е AutoML и защо е важен
  • Настройка на средите за Python и R
  • Конфигуриране на отдалечени работилници и облачни среди

Разгледване на възможностите на AutoML

  • Основни възможности на AutoML фреймворки
  • Оптимизация и стратегии за търсене на хиперпараметри
  • Интерпретиране на изходите и логовете на AutoML

Как AutoML избира алгоритми

  • Градиентни машини за усилване (GBMs), случайни горища, GLMs
  • Невронни мрежи и задни платформи за дълбоко обучение
  • Търговски компромиси: точност срещу интерпретируемост срещу разходи

Подготовка и предобработка на данни

  • Работа с числени и категорични данни
  • Инженерство на характеристики и стратегии за кодиране
  • Обработка на липсващи стойности и дисбаланс на данни

AutoML за различни типове данни

  • Таблични данни (H2O AutoML, auto-sklearn, TPOT)
  • Данни от временни редове (прогнозиране и последователно моделиране)
  • Задачи за текст и обработка на естествен език (класификация, анализ на настроение)
  • Класификация на изображения и компютърно зрение (Auto-Keras, TensorFlow, PyTorch)

Разработване и мониторинг на модели

  • Експорт и разработване на AutoML модели
  • Създаване на пиплайни за предвиждане в реално време
  • Мониторинг на отдалечаване на модели и стратегии за преобучение

Енсамбъли и напреднали теми

  • Слоене и смесване на AutoML модели
  • Принципи на поверителност и съответствие с изискванията
  • Оптимизация на разходи за масово AutoML

Разрешаване на проблеми и случайни изследвания

  • Често срещани грешки и как да ги поправим
  • Интерпретиране на производителността на AutoML модели
  • Случайни изследвания от индустрийски случаи

Резюме и следващи стъпки

Изисквания

  • Опит с алгоритми за машинно обучение
  • Опит с програмиране на Python или R

Целева аудитория

  • Аналитици на данни
  • Научни работници на данни
  • Инженери на данни
  • Разработчици
 14 часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории