Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
План на курса
Въведение в приложното Machine Learning
- Статистическо обучение срещу машинно обучение. Итерация и оценка. Компромис от пристрастия. Дисперсия. Проблеми с контролирано срещу неконтролирано обучение, решени с Machine Learning Тест за валидиране на влак – работен процес на ML, за да се избегне пренастройване на работния процес на Machine Learning алгоритми за машинно обучение Избор на подходящ алгоритъм за проблема
Оценка на алгоритъма
- Оценяване на числени прогнози Мерки за точност: ME, MSE, RMSE, MAPE Параметър и стабилност на прогнозата
Контролирани алгоритми KNN Ensemble Gradient Boosting SVM
- Неконтролирани алгоритми Базирани на разстояние
Методи, базирани на плътност
- Вероятностни методи
Изграждане на прости модели за задълбочено обучение с Keras
- Създаване на Keras модел Разбиране на вашите данни Специфициране на вашия модел за задълбочено обучение Компилиране на вашия модел Напасване на вашия модел Работа с вашите класификационни данни Работа с класификационни модели Използване на вашите модели
Работа с TensorFlow за дълбоко обучение
- Подготовка на данните Изтегляне на данните Подготовка на данни за обучение Подготовка на тестови данни Входящи данни за мащабиране Използване на контейнери и променливи
Уточняване на мрежовата архитектура
- Използване на функцията на разходите
Използване на оптимизатора
- Използване на инициализатори
Изисквания
- Опит с Python програмиране
- Основно познаване на статистиката и математическите концепции
Публика
- Разработчици
- Учени по данни
28 Hours