Cursuri de pregatire XGBoost for Gradient Boosting
XGBoost este un algoritm bazat pe decizie. Acesta utilizează un cadru de îmbunătățire gradantă pentru a rezolva problemele de predicție care implică date neconstrucționate, cum ar fi imaginile și textul. Gradient boosting este, de asemenea, o tehnică populară pentru modelarea eficientă a seturilor de date tabulare.
Această formare directă (online sau on-site) este destinată cercetătorilor de date care doresc să utilizeze XGBoost pentru a construi modele care rezolvă în mod eficient problemele de regresie, clasificare, clasament și predicție.
La sfârșitul cursului, participanții vor putea:
- Instalați și configurați XGBoost.
- Înțelegeți relația dintre arbori de decizie și alte algoritmi, cum ar fi regresia logistică și pădurile aleatorii.
- Încercați diferite biblioteci pentru a determina cea mai bună pentru locul de muncă.
- Alegeți configurația potrivită pentru un algoritm.
- Tuneți hiper-parametrii unui algoritm pentru un set de date.
- Implementarea unei soluții de învățare cu mașină care echilibrează puterea cu complexitatea, explicabilitatea și ușurința implementării.
Formatul cursului
- Lecții și discuții interactive.
- Multe exerciții și practici.
- Implementarea pe mâini într-un mediu live-lab.
Opțiuni de personalizare
- Pentru a solicita o pregătire personalizată pentru acest curs, vă rugăm să ne contactați pentru a organiza.
Schița de curs
Introducere
- Rețele neuronale artificiale vs. algoritmi bazați pe arbori de decizie
Prezentare generală a caracteristicilor XGBoost
- Elementele unui algoritm Gradient Boosting
- Accent pe viteza de calcul și performanța modelului
- XGBoost vs. Regresie logistică, Random Forest și Gradient Boosting standard
Evoluția algoritmilor pe bază de arbore
- Arbori de decizie, Bagging, Random Forest, Boosting, Gradient Boosting
- Optimizarea sistemului
- Îmbunătățiri algoritmice
Pregătirea mediului
- Instalarea SciPy și scikit-learn
Crearea unui model XGBoost
- Descărcarea unui set de date
- Rezolvarea unei probleme comune de clasificare
- Formarea modelului XGBoost pentru clasificare
- Rezolvarea unei sarcini comune de regresie
Monitorizarea performanței
- Evaluarea și raportarea performanței
- Oprirea timpurie
Trasarea caracteristicilor în funcție de importanță
- Calcularea importanței caracteristicilor
- Decizia de a decide ce variabile de intrare trebuie păstrate sau eliminate
Configurarea Gradient Boosting
- Revizuirea curbelor de învățare pe seturile de date de instruire și de validare
- Ajustarea ratei de învățare
- Ajustarea numărului de arbori
Acordarea hiperparametrului
- Îmbunătățirea performanței unui model XGBoost
- Proiectarea unui experiment controlat pentru reglarea hiperparametrilor
- Searching de combinații de parametri
Crearea unei conducte
- Încorporarea unui model XGBoost într-o conductă de învățare automată end-to-end
- Reglarea hiperparametrilor în cadrul pipeline-ului
- Tehnici avansate de preprocesare
Depanare
Rezumat și concluzii
Cerințe
- Experiență în scrierea modelelor de învățare automată
Audiență
- Științifici de date
- Inginerii de învățare mecanică
Cursurile publice necesita 5+ participanti
Cursuri de pregatire XGBoost for Gradient Boosting - Rezervare
Cursuri de pregatire XGBoost for Gradient Boosting - Solicita Oferta
XGBoost for Gradient Boosting - Cerere de consultanta
Upcoming Courses
Cursuri înrudite
H2O AutoML
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează cercetătorilor de date care doresc să utilizeze H2O AutoML pentru a automatiza procesul de construire și de selectare a celui mai bun algoritm de învățare automată și a celor mai buni parametri.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Automatizați fluxul de lucru al învățării automate.
- Automatizați formarea și reglarea automată a mai multor modele de învățare automată într-un interval de timp specificat.
- Antrenați ansambluri suprapuse pentru a ajunge la modele de ansamblu foarte predictive.
AutoML with Auto-sklearn
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează practicienilor în domeniul învățării automate care doresc să utilizeze Auto-sklearn pentru a automatiza procesul de selectare și optimizare a unui model de învățare automată.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Automatizați procesul de instruire a modelelor de învățare automată foarte eficiente.
- Construiți modele de învățare automată foarte precise, ocolind în același timp sarcinile mai plictisitoare de selectare, instruire și testare a diferitelor modele. .
- Utilizați puterea învățării automate pentru a rezolva probleme de afaceri din lumea reală. .
AutoML with Auto-Keras
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează atât oamenilor de știință din domeniul datelor, cât și persoanelor mai puțin tehnice care doresc să utilizeze Auto-Keras pentru a automatiza procesul de selectare și optimizare a unui model de învățare automată.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Automatizați procesul de instruire a modelelor de învățare automată foarte eficiente.
- Cercetați automat cei mai buni parametri pentru modelele de învățare profundă. .
- Construiți modele de învățare automată foarte precise. .
- Utilizați puterea învățării automate pentru a rezolva probleme de afaceri din lumea reală. .
Introduction to Stable Diffusion for Text-to-Image Generation
21 oreAceastă instruire live (online sau la fața locului), condusă de un instructor, se adresează oamenilor de știință, inginerilor de învățare automată și cercetătorilor în domeniul vederii computerizate care doresc să utilizeze Stable Diffusion pentru a genera imagini de înaltă calitate pentru o varietate de cazuri de utilizare.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
-
Înțelegerea principiilor Stable Diffusion și a modului în care funcționează pentru generarea de imagini.
Să construiască și să antreneze modele Stable Diffusion pentru sarcini de generare de imagini.
Să aplice Stable Diffusion în diverse scenarii de generare a imaginilor, cum ar fi inpainting, outpainting și translația imagine-imagine.
Optimizarea performanțelor și a stabilității modelelor Stable Diffusion.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 oreAceastă formare live condusă de un instructor în Moldova (online sau la fața locului) se adresează oamenilor de știință ai datelor de nivel mediu până la avansat, inginerilor de învățare automată, cercetătorilor în învățarea profundă și experților în viziunea computerizată care doresc să-și extindă cunoștințele și abilitățile în învățarea profundă. pentru generarea text-to-image.
Până la sfârșitul acestui training, participanții vor fi capabili să:
- Înțelegeți arhitecturile și tehnicile avansate de deep learning pentru generarea text-to-image. Implementați modele complexe și optimizări pentru sinteza imaginilor de înaltă calitate. Optimizați performanța și scalabilitatea pentru seturi de date mari și modele complexe. Reglați hiperparametrii pentru o performanță mai bună a modelului și o generalizare. Integrați Stable Diffusion cu alte cadre și instrumente de deep learning
AlphaFold
7 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează biologilor care doresc să înțeleagă cum funcționează AlphaFold și să utilizeze modelele AlphaFold ca ghid în studiile lor experimentale.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Înțelegeți principiile de bază ale AlphaFold. .
- Învățați cum funcționează AlphaFold. .
- Învățați cum să interpretați predicțiile și rezultatele AlphaFold. .
TensorFlow Lite for Embedded Linux
21 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a implementa modele de învățare profundă pe dispozitive integrate.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Instalați și configurați Tensorflow Lite pe un dispozitiv încorporat.
- Înțelegeți conceptele și componentele care stau la baza TensorFlow Lite. .
- Convertiți modelele existente în formatul TensorFlow Lite pentru a fi executate pe dispozitive încorporate.
- Lucrați în limitele dispozitivelor mici și ale TensorFlow Lite, învățând în același timp cum să extindeți domeniul de aplicare al operațiunilor care pot fi executate. .
- Dezvoltați un model de învățare profundă pe un dispozitiv încorporat care rulează Linux.
TensorFlow Lite for Android
21 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a dezvolta aplicații mobile cu capacități de învățare profundă.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Instalați și configurați TensorFlow Lite. .
- Înțelegeți principiile din spatele TensorFlow, învățarea mașinilor și învățarea profundă. .
- Încărcați modele TensorFlow pe un dispozitiv Android. .
- Activați funcționalități de învățare profundă și de învățare automată, cum ar fi viziunea computerizată și recunoașterea limbajului natural într-o aplicație mobilă. .
Tensorflow Lite for Microcontrollers
21 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează inginerilor care doresc să scrie, să încarce și să ruleze modele de învățare automată pe dispozitive integrate foarte mici.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Instalați TensorFlow Lite.
- Încărcați modele de învățare automată pe un dispozitiv încorporat pentru a-i permite să detecteze vorbirea, să clasifice imagini etc. .
- Adaugați inteligența artificială la dispozitivele hardware fără a vă baza pe conectivitatea de rețea. .
TensorFlow Lite for iOS
21 oreAcest curs de formare live (online sau la fața locului), condus de un instructor, se adresează dezvoltatorilor care doresc să utilizeze TensorFlow Lite pentru a dezvolta aplicații mobile iOS cu capacități de învățare profundă.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Instalați și configurați TensorFlow Lite. .
- Înțelegeți principiile din spatele TensorFlow și învățarea mașinilor pe dispozitive mobile. .
- Încărcați modele TensorFlow pe un dispozitiv iOS. .
- Executați o aplicație iOS capabilă să detecteze și să clasifice un obiect capturat prin camera dispozitivului. .
Edge AI with TensorFlow Lite
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de nivel intermediar, oamenilor de știință de date și practicienilor în domeniul IA care doresc să utilizeze TensorFlow Lite pentru aplicații Edge AI.
La sfârșitul acestui curs de formare, participanții vor putea să:
- Înțeleagă elementele fundamentale ale TensorFlow Lite și rolul său în Edge AI.
- Să dezvolte și să optimizeze modelele de inteligență artificială utilizând TensorFlow Lite.
- Să implementeze modele TensorFlow Lite pe diverse dispozitive de margine.
- Să utilizeze instrumente și tehnici de conversie și optimizare a modelelor.
- Implementarea aplicațiilor practice Edge AI utilizând TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează dezvoltatorilor de AI de nivel mediu, inginerilor de învățare automată și arhitecților de sistem care doresc să optimizeze modelele de AI pentru implementarea la limită.
La finalul acestui curs de formare, participanții vor fi capabili să:
- Să înțeleagă provocările și cerințele de implementare a modelelor AI pe dispozitive de margine.
- Să aplice tehnici de comprimare a modelelor pentru a reduce dimensiunea și complexitatea modelelor AI.
- Să utilizeze metode de cuantificare pentru a spori eficiența modelelor pe hardware de margine.
- Să implementeze tehnici de tăiere și alte tehnici de optimizare pentru a îmbunătăți performanța modelului.
- Implementarea modelelor optimizate de inteligență artificială pe diverse dispozitive de margine.
Edge AI in Industrial Automation
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează inginerilor industriali de nivel mediu, profesioniștilor din domeniul producției și dezvoltatorilor de inteligență artificială care doresc să implementeze soluții Edge AI în automatizarea industrială.
La finalul acestui curs de formare, participanții vor fi capabili să:
- Înțeleagă rolul Edge AI în automatizarea industrială.
- Să implementeze soluții de mentenanță predictivă utilizând Edge AI.
- Să aplice tehnici AI pentru controlul calității în procesele de fabricație.
- Să optimizeze procesele industriale utilizând Edge AI.
- Să implementeze și să gestioneze soluții Edge AI în medii industriale.
Edge AI for Financial Services
14 oreAcest curs de formare live, condus de un instructor în Moldova (online sau la fața locului) se adresează profesioniștilor din domeniul financiar de nivel mediu, dezvoltatorilor fintech și specialiștilor în inteligență artificială care doresc să implementeze soluții Edge AI în serviciile financiare.
La finalul acestui curs de formare, participanții vor fi capabili să:
- Înțeleagă rolul Edge AI în serviciile financiare.
- Să implementeze sisteme de detectare a fraudelor folosind Edge AI.
- Îmbunătățiți serviciile pentru clienți prin soluții bazate pe AI.
- Să aplice Edge AI pentru gestionarea riscurilor și luarea deciziilor.
- Să implementeze și să gestioneze soluții Edge AI în mediile financiare.
Deep Learning Neural Networks with Chainer
14 oreAcest curs de instruire live, condus de un instructor în Moldova (online sau la fața locului) se adresează cercetătorilor și dezvoltatorilor care doresc să utilizeze Chainer pentru a construi și antrena rețele neuronale în Python, făcând în același timp codul ușor de depanat.
La sfârșitul acestui curs de formare, participanții vor fi capabili să:
- Setați mediul de dezvoltare necesar pentru a începe să dezvoltați modele de rețele neuronale. .
- Definiți și implementați modele de rețele neuronale utilizând un cod sursă inteligibil. .
- Executați exemple și modificați algoritmii existenți pentru a optimiza modelele de formare a învățării profunde, utilizând în același timp GPUs pentru performanțe ridicate. .