Schița de curs
Introducere în Învățarea Automată Aplicată
- Învățarea statistică vs. Învățarea automată
- Iterație și evaluare
- Trade-off Bias-Varianță
- Învățare supervizată vs Nesupravegheată
- Probleme rezolvate cu Învățarea Automată
- Train Validation Test – Flux de lucru în ML pentru a evita supraadaptarea
- Fluxul de lucru al Învățării Automate
- Algoritmi de Învățare Automată
- Alegerea algoritmului potrivit pentru problemă
Evaluarea Algoritmilor
-
Evaluarea predicțiilor numerice
- Măsuri de acuratețe: ME, MSE, RMSE, MAPE
- Stabilitatea parametrilor și a predicțiilor
-
Evaluarea algoritmilor de clasificare
- Acuratețea și problemele sale
- Matricea de confuzie
- Problema claselor dezechilibrate
-
Vizualizarea performanței modelului
- Curba profitului
- Curba ROC
- Curba Lift
- Selectarea modelului
- Reglarea modelului – strategii de căutare în grilă
Pregătirea Datelor pentru Modelare
- Importul și stocarea datelor
- Înțelegerea datelor – explorări de bază
- Manipularea datelor cu biblioteca pandas
- Transformări ale datelor – Curățarea datelor
- Analiză exploratorie
- Observații lipsă – detectare și soluții
- Valorile aberante – detectare și strategii
- Standardizare, normalizare, binarizare
- Recodificarea datelor calitative
Algoritmi de Învățare Automată pentru Detectarea Valorilor Aberante
-
Algoritmi supervizați
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritmi nesupravegheați
- Bazate pe distanță
- Metode bazate pe densitate
- Metode probabilistice
- Metode bazate pe modele
Înțelegerea Învățării Profunde
- Prezentare generală a conceptelor de bază ale Învățării Profunde
- Diferențierea dintre Învățarea Automată și Învățarea Profundă
- Prezentare generală a aplicațiilor Învățării Profunde
Prezentare Generală a Rețelelor Neuronale
- Ce sunt Rețelele Neuronale
- Rețele Neuronale vs Modele de Regresie
- Înțelegerea Fundațiilor Matematice și a Mecanismelor de Învățare
- Construirea unei Rețele Neuronale Artificiale
- Înțelegerea Nodurilor și Conexiunilor Neuronale
- Lucrul cu Neuroni, Straturi și Date de Intrare și Ieșire
- Înțelegerea Perceptronului cu un Singur Strat
- Diferențe dintre Învățarea Supravegheată și Nesupravegheată
- Învățarea Rețelelor Neuronale Feedforward și Feedback
- Înțelegerea Propagării Înainte și Înapoi
Construirea de Modele Simple de Învățare Profundă cu Keras
- Crearea unui Model Keras
- Înțelegerea Datelor Tale
- Specificarea Modelului Tău de Învățare Profundă
- Compilarea Modelului Tău
- Potrivirea Modelului Tău
- Lucrul cu Datele Tale de Clasificare
- Lucrul cu Modelele de Clasificare
- Utilizarea Modelelor Tale
Lucrul cu TensorFlow pentru Învățarea Profundă
-
Pregătirea Datelor
- Descărcarea Datelor
- Pregătirea Datelor de Antrenament
- Pregătirea Datelor de Test
- Scalarea Intrărilor
- Utilizarea Placeholderelor și Variabilelor
- Specificarea Arhitecturii Rețelei
- Utilizarea Funcției de Cost
- Utilizarea Optimizatorului
- Utilizarea Inițializatorilor
- Potrivirea Rețelei Neuronale
-
Construirea Grafului
- Inferență
- Pierdere
- Antrenament
-
Antrenarea Modelului
- Graful
- Sesiunea
- Bucla de Antrenament
-
Evaluarea Modelului
- Construirea Grafului de Evaluare
- Evaluarea cu Rezultate de Evaluare
- Antrenarea Modelelor la Scară
- Vizualizarea și Evaluarea Modelelor cu TensorBoard
Aplicarea Învățării Profunde în Detectarea Anomaliilor
-
Autoencoder
- Arhitectura Encoder - Decoder
- Pierderea de reconstrucție
-
Autoencoder Variational
- Inferență variatională
-
Rețea Generativă Adversarială
- Arhitectura Generator – Discriminator
- Abordări ale AN folosind GAN
Cadre de Ansamblu
- Combinarea rezultatelor din diferite metode
- Agregarea Bootstrap
- Medierea scorului de valori aberante
Cerințe
- Experiență în programare Python
- Familiaritate de bază cu conceptele de statistică și matematică
Publicul țintă
- Dezvoltatori
- Oameni de știință ai datelor
Mărturii (5)
Formarea a oferit o prezentare interesantă a modelelor de învățare adâncă și a metodelor asociate. Subiectul era destul de nou pentru mine, dar acum am sentimentul că înțeleg ce poate include AI-ul și ML-ul, ce presupun aceste termeni și cum pot fi folosite cu avantaj. În general, mi-a plăcut abordarea de a începe cu fundalul statistic și modelele de învățare de bază, cum ar fi regresia liniară, cu accent pus pe exercițiile intermediare.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Anna ne-a întrebat mereu dacă avem întrebări și a încercat tot timpul să ne facă mai activi prin punerea de întrebări, ceea ce ne-a implicat pe toți foarte bine în antrenament.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Mi-a plăcut modul în care a fost combinat cu practicile.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Experiența extinsă / cunoștințele formatorului
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
VM este o idee bună
Vincent - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
