Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Съдържание и теми, включени в курса
Въведение в приложното машинно обучение
- Статистическо обучение срещу машинно обучение
- Итерация и оценка
- Компромис между отклонение и дисперсия
- Надзиравано срещу ненадзиравано обучение
- Проблеми, решавани с машинно обучение
- Обучение, валидиране, тестване – работен процес на машинното обучение за избягване на пренастройване
- Работен процес на машинното обучение
- Алгоритми на машинното обучение
- Избор на подходящ алгоритъм за проблема
Оценка на алгоритми
-
Оценяване на числени прогнози
- Мерки за точност: ME, MSE, RMSE, MAPE
- Стабилност на параметрите и прогнозите
-
Оценяване на класификационни алгоритми
- Точност и нейните проблеми
- Матрица на объркването
- Проблем с небалансирани класове
-
Визуализиране на производителността на модела
- Крива на печалбата
- ROC крива
- Lift крива
- Избор на модел
- Настройка на модела – стратегии за търсене в мрежа
Подготовка на данните за моделиране
- Импортиране и съхранение на данни
- Разбиране на данните – основни изследвания
- Манипулации с данни с библиотеката pandas
- Трансформации на данни – обработка на данни
- Изследователски анализ
- Липсващи наблюдения – откриване и решения
- Отклонения – откриване и стратегии
- Стандартизация, нормализация, бинаризация
- Прекодиране на качествени данни
Алгоритми на машинното обучение за откриване на отклонения
-
Надзиравани алгоритми
- KNN
- Ensemble Gradient Boosting
- SVM
-
Ненадзиравани алгоритми
- Базирани на разстояние
- Методи, базирани на плътност
- Вероятностни методи
- Методи, базирани на модел
Разбиране на дълбокото обучение
- Преглед на основните концепции на дълбокото обучение
- Разграничаване между машинно обучение и дълбоко обучение
- Преглед на приложенията на дълбокото обучение
Преглед на невронните мрежи
- Какво представляват невронните мрежи
- Невронни мрежи срещу регресионни модели
- Разбиране на математическите основи и механизмите на обучение
- Конструиране на изкуствена невронна мрежа
- Разбиране на невронните възли и връзки
- Работа с неврони, слоеве и входни и изходни данни
- Разбиране на еднослойни перцептрони
- Разлики между надзиравано и ненадзиравано обучение
- Изучаване на невронни мрежи с права и обратна връзка
- Разбиране на правото разпространение и обратното разпространение
Изграждане на прости модели на дълбоко обучение с Keras
- Създаване на модел с Keras
- Разбиране на вашите данни
- Специфициране на вашия модел на дълбоко 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 данните за обучение
- Подготовка на тестовите данни
- Мащабиране на входните данни
- Използване на placeholders и променливи
- Специфициране на архитектурата на мрежата
- Използване на функцията на разходите
- Използване на оптимизатора
- Използване на инициализатори
- Напасване на невронната мрежа
-
Изграждане на графа
- Извод
- Загуба
- Обучение
-
Обучение на модела
- Графът
- Сесията
- Цикъл на обучение
-
Оценяване на модела
- Изграждане на графа за оценка
- Оценяване с изход от оценката
- Обучение на модели в мащаб
- Визуализиране и оценяване на модели с TensorBoard
Приложение на дълбокото обучение в откриването на аномалии
-
Автоенкодер
- Архитектура енкодер-декодер
- Загуба от реконструкция
-
Вариационен автоенкодер
- Вариационен извод
-
Генеративна състезателна мрежа
- Архитектура генератор–дискриминатор
- Подходи към откриване на аномалии чрез GAN
Ансамблови рамки
- Комбиниране на резултати от различни методи
- Bootstrap агрегиране
- Осредняване на оценката за отклонение
Изисквания
- Опит с програмирането на Python
- Основна запознатост със статистиката и математическите концепции
Аудитория
- Разработчици
- Специалисти по данни
28 Часа
Отзиви от участници (5)
Обучението предостави интересен преглед на моделите за дълбоко обучение и свързаните методи. Темата беше доста нова за мен, но сега чувствам, че всъщност имам представа какво могат да включват ИИ и МУ, какви са тези термини и как те могат да се използват с предимство. Общо взето, ми допадна подходът да започнем с статистическия фон и основните модели за обучение, като линейната регресия, особено подчертавайки упражненията по време на курса.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Курс - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Машинен превод
Ана постоянно питаше дали има въпроси и стараеше да ни направи по-активни, като ни полага въпроси. Това ни правеше всички изключително ангажирани с обучението.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Курс - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Машинен превод
Ми ми хареса начинът, по който е комбинирано с практиките.
Bertan - REGNOLOGY ROMANIA S.R.L.
Курс - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Машинен превод
Разполагането с обширен опит и знания от треньорът
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Курс - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Машинен превод
ВМ-та е прекрасна идея
Vincent - REGNOLOGY ROMANIA S.R.L.
Курс - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Машинен превод
