План на курса

Въведение в Neural Networks

Въведение в приложното Machine Learning

    Статистическо обучение срещу машинно обучение Итерация и оценка Компромис от отклонение-вариация

Машинно обучение с Python

    Избор на библиотеки Допълнителни инструменти

Концепции и приложения за машинно обучение

Регресия

    Линейна регресия. Обобщения и случаи на нелинейност

Класификация

    Bayesian refresher Наивен Bayes Логистична регресия K-най-близки съседи Use Cases

Кръстосано валидиране и повторно вземане на проби

    Кръстосаното валидиране подхожда на Bootstrap Use Case.

Учене без надзор

    Примери за групиране на K-означава Предизвикателства на неконтролираното учене и извън K-означава

Кратко въведение в НЛП методите

    токенизация на дума и изречение класификация на текст анализ на настроения корекция на правопис извличане на информация синтактичен анализ извличане на смисъл въпрос отговор

Изкуствен интелект и Deep Learning

Технически преглед

    R v/s Python Caffe v/s Tensor Flow Различни библиотеки за машинно обучение

Казуси от индустрията

Изисквания

  1. Трябва да има основни познания за бизнес операциите, както и технически познания
  2. Трябва да има основни познания за софтуер и системи
  3. Основно разбиране на Statistics (в нива на Excel)
  21 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.

Oтзиви от потребители (1)

Свързани Kурсове

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

  21 Hours

Свързани Kатегории