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.
Kursplan
Övervakad inlärning: klassificering och regression
- Machine Learning i Python: introduktion till scikit-learn-API:et
- Linjär och logistisk regression
- Stöd vektor maskin
- Neurala nätverk
- Slumpmässig skog
- Konfigurera en pipeline för övervakad inlärning från slutpunkt till slutpunkt med hjälp av scikit-learn
- Arbeta med datafiler
- Imputering av saknade värden
- Hantera kategoriska variabler
- Visualisera data
Python Ramverk för AI-tillämpningar:
- TensorFlow, Theano, Caffe och Keras
- AI i stor skala med Apache Spark: Mlib
Avancerade arkitekturer för neurala nätverk
- Faltningsneurala nätverk för bildanalys
- Återkommande neurala nätverk för tidsstrukturerade data
- Den långa korttidsminnescellen
Oövervakad inlärning: klustring, avvikelseidentifiering
- Implementera huvudkomponentanalys med scikit-learn
- Implementera autoencoders i Keras
Praktiska exempel på problem som AI kan lösa (praktiska övningar med Jupyter Notebooks), t.ex.
- Bildanalys
- prognostisering av komplexa finansiella serier, såsom aktiekurser,
- Komplex mönsterigenkänning
- Behandling av naturligt språk
- System för rekommenderade användare
Förstå begränsningarna med AI-metoder: felsätt, kostnader och vanliga svårigheter
- Överanpassning
- Avvägning mellan bias och varians
- Bias i observationsdata
- Förgiftning av neurala nätverk
Tillämpat projektarbete (valfri)
Krav
Det finns inga särskilda krav som krävs för att delta i denna kurs.
28 timmar
Vittnesmål (2)
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
The trainer was a professional in the subject field and related theory with application excellently