План на курса

Учене под наблюдение: класификация и регресия

  • Machine Learning в Python: въведение в scikit-learn API
    • линейна и логистична регресия
    • поддържаща векторна машина
    • невронни мрежи
    • произволна гора
  • Настройване на тръбопровод за контролирано обучение от край до край с помощта на scikit-learn
    • работа с файлове с данни
    • импутиране на липсващи стойности
    • работа с категориални променливи
    • визуализиране на данни

Python рамки за за AI приложения:

  • TensorFlow, Теано, Caffe и Keras
  • AI в мащаб с Apache Spark: Mlib

Разширени архитектури на невронни мрежи

  • конволюционни невронни мрежи за анализ на изображения
  • повтарящи се невронни мрежи за структурирани във времето данни
  • клетката на дългата краткосрочна памет

Неконтролирано обучение: групиране, откриване на аномалии

  • прилагане на анализ на главни компоненти със scikit-learn
  • внедряване на автоенкодери в Keras

Практически примери за проблеми, които AI може да реши (практически упражнения с помощта на преносими компютри Jupyter), напр.

  • анализ на изображението
  • прогнозиране на сложни финансови серии, като цени на акции,
  • сложно разпознаване на образи
  • обработка на естествен език
  • препоръчителни системи

Разберете ограниченията на методите на ИИ: начини на отказ, разходи и често срещани трудности

  • пренатоварване
  • компромис пристрастие/вариация
  • отклонения в данните от наблюденията
  • отравяне на невронната мрежа

Приложна работа по проект (по избор)

Изисквания

Няма специфични изисквания, необходими за посещаване на този курс.

 28 Часа

Брой участници


Цена за участник

Oтзиви от потребители (2)

Предстоящи Курсове

Свързани Kатегории