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.
Schița de curs
Introducere în Machine Learning aplicat
- Învățarea statistică vs. Machine learning
- Iterație și evaluare
- Compromisul Bias-Variance
- Învățarea supervizată vs. ne-supervizată
- Probleme rezolvate cu Machine Learning
- Train Validation Test – flux de lucru ML pentru a evita overfitting-ul
- Fluxul de lucru al Machine Learning-ului
- Algoritmi de machine learning
- Alegerea unui algoritm adecvat problemei
Evaluarea algoritmilor
-
Evaluarea predicțiilor numerice
- Măsuri de acuratețe: ME, MSE, RMSE, MAPE
- Stabilitatea parametrilor și a predicțiilor
-
Evaluarea algoritmilor de clasificare
- Acuratetea și problemele acesteia
- Matricea confuziei
- Problema clasei neechilibrate
-
Vizualizarea performanței modelului
- Curba de profit
- Curba ROC
- Curba lift
- Selectarea modelului
- Tuning-ul modelului – strategii de căutare pe grilă
Prepararea datelor pentru modelare
- Importul și stocarea datelor
- Înțelegerea datelor – explorări de bază
- Manipularea datelor cu biblioteca pandas
- Transformările datelor – wrangling-ul datelor
- Analiza exploratorie
- Observațiile lipsă – detectare și soluții
- Outliers – detectare și strategii
- Standarizarea, normalizarea, binarizarea datelor
- Recodificarea datelor calitative
Algoritmi de machine learning pentru detectarea outlier-ilor
-
Algoritmi supervizați
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritmi ne-supervizați
- Bazat pe distanță
- Metode bazate pe densitate
- Metode probabilistice
- Metode bazate pe modele
Înțelegerea învățării adâncă (Deep Learning)
- Prezentare a conceptelor de bază ale Deep Learning-ului
- Diferențierea între Machine Learning și Deep Learning
- Prezentare a aplicațiilor Deep Learning-ului
Prezentare a rețelelor neuronale (Neural Networks)
- Ce sunt rețelele neurale?
- Rețele neuronale vs. modele de regresie
- Înțelegerea fundațiilor matematice și mecanismelor de învățare
- Construirea unei rețele neurale artificiale
- Înțelegerea nodurilor neurale și a conexiunilor acestora
- Lucrul cu neuroni, layere, și date de intrare și ieșire
- Înțelegerea perceptronelor unui singur strat (Single Layer Perceptrons)
- Diferențele dintre învățarea supervizată și ne-supervizată
- Înțelegerea rețelelor neuronale feedforward și feedback
- Înțelegerea propagării forward și backpropagation-ului
Construirea modelurilor simple de deep learning cu Keras
- Crearea unui model Keras
- Înțelegerea datelor tale
- Specificarea modelului de deep learning
- Compilarea modelului
- Ajustarea modelului (fitting)
- Lucrul cu datele de clasificare
- Lucrul cu modele de clasificare
- Utilizarea modelelor tale
Lucrul cu TensorFlow pentru deep learning
-
Prepararea datelor
- Descărcarea datelor
- Prepararea datelor de antrenament
- Prepararea datelor de testare
- Scalarea intrărilor (inputs)
- Utilizarea placeholder-urilor și variabilelor
- Specificarea arhitecturii rețelei neuronale
- Utilizarea funcției de cost (cost function)
- Utilizarea optimizatorului (optimizer)
- Utilizarea inițializatorilor (initializers)
- Ajustarea rețelei neuronale (fitting)
-
Construirea grafului (building the graph)
- Inferență (inference)
- Pierdere (loss)
- Antrenament (training)
-
Antrenarea modelului
- Graful (the graph)
- Sesiunea (the session)
- Bucla de antrenament (train loop)
-
Evaluarea modelului
- Construirea grafului de evaluare (building the eval graph)
- Evaluarea cu ieșirea de evaluare (evaluating with eval output)
- Antrenarea modelului la scară largă (training models at scale)
- Vizualizarea și evaluarea modelelor cu TensorBoard
Aplicarea învățării adâncă (Deep Learning) în detectarea anomalilor (anomaly detection)
-
Autoencoder
- Arhitectura Encoder-Decoder
- Pierdere de reconstrucție (reconstruction loss)
-
Autoencoder variational (Variational Autencoder)
- Inferența variatională (variational inference)
-
Rețea adversarială generativă (Generative Adversarial Network)
- Arhitectura Generator-Discriminator
- Abordări de AN folosind GAN (approaches to AN using GAN)
Framework-uri de tip ensemble
- Combinarea rezultatelor din metode diferite
- Bootstrap Aggregating (bagging)
- Averaging outlier score (scor mediu de outlier)
Cerințe
- Experiență cu programarea Python
- Familiaritate de bază cu statistică și concepte matematice
Audiență
- Developeriași
- Cercetători de date
28 ore
Mărturii (5)
Formarea a oferit o prezentare interesantă a modelelor de învățare profundă și a metodelor conexe. Subiectul era destul de nou pentru mine, dar acum simt că am o idee despre ce pot implica AI și ML, în ce constau acești termeni și cum pot fi utilizați în mod avantajos. În general, mi-a plăcut abordarea de a începe cu contextul statistic și cu modelele de învățare de bază, cum ar fi regresia liniară, punând în special accentul pe exercițiile intermediare.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Anna a întrebat mereu dacă avem întrebări și a încercat mereu să ne facă să fim mai activi, punând întrebări, ceea ce ne-a făcut pe toți să ne implicăm cu adevărat în formare.
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 este îmbinat cu practicile.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Tradus de catre o masina
Experiența / cunoștințele vaste ale 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
