План на курса
Въведение
Създаване на работна среда
Преглед на AutoML функции
Как AutoML изследва алгоритмите
- Машини за усилване на градиента (GBM), Random Forest, GLM и др.
Разрешаване на проблеми по случай на употреба
Решаване на проблеми чрез обучение на тип данни
Съображения за поверителност на данните
Съображения за разходите
Подготовка на данни
Работа с числови и категориални данни
- IID таблични данни (H2O AutoML, автоматично сканиране, TPOT)
Работа с данни, зависими от времето (данни от времеви серии)
Класифициране на необработен текст
Класифициране на необработени данни за изображения
- Дълбоко обучение и търсене на невронна архитектура (TensorFlow, PyTorch, Auto-Keras и др.)
Внедряване на AutoML метод
Поглед към вътрешните алгоритми AutoML
Комбиниране на различни модели заедно
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Опит с алгоритми за машинно обучение.
- Python или R опит в програмирането.
Публика
- Анализатори на данни
- Учени по данни
- Инженери по данни
- Разработчици
Oтзиви от потребители (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Course - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete