Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere și configurarea mediului
- Ce este AutoML și de ce este important
- Configurarea mediilor Python și R
- Configurarea mediilor de desktop la distanță și cloud
Explorarea caracteristicilor AutoML
- Capabilitățile de bază ale cadrelor AutoML
- Optimizarea hiperparametrilor și strategiile de căutare
- Interpretarea rezultatelor și jurnalelor AutoML
Cum selectează AutoML algoritmii
- Mașini de gradient boosting (GBMs), păduri aleatoare, GLMs
- Rețele neuronale și backend-uri de învățare profundă
- Compromisuri: acuratețe vs. interpretabilitate vs. cost
Pregătirea și preprocesarea datelor
- Lucrul cu date numerice și categorice
- Strategii de inginerie și codificare a caracteristicilor
- Gestionarea valorilor lipsă și a dezechilibrelor de date
AutoML pentru diferite tipuri de date
- Date tabelare (H2O AutoML, auto-sklearn, TPOT)
- Date de serii temporale (prognoză și modelare secvențială)
- Sarcini de text și NLP (clasificare, analiză de sentimente)
- Clasificarea imaginilor și viziunea computerizată (Auto-Keras, TensorFlow, PyTorch)
Implementarea și monitorizarea modelelor
- Exportarea și implementarea modelelor AutoML
- Construirea de conducte pentru predicții în timp real
- Monitorizarea driftului modelului și strategiile de reantrenare
Ansamblarea și subiecte avansate
- Stacking și blending de modele AutoML
- Considerații privind confidențialitatea și conformitatea
- Optimizarea costurilor pentru AutoML la scară largă
Depanare și studii de caz
- Erori comune și cum să le remediați
- Interpretarea performanței modelelor AutoML
- Studii de caz din cazuri de utilizare din industrie
Rezumat și pași următori
Cerințe
- Experiență cu algoritmi de învățare automată
- Experiență în programare Python sau R
Publicul țintă
- Analiști de date
- Oameni de știință de date
- Ingineri de date
- Dezvoltatori
14 Ore
