Kursplan
- Introduktion till ML Maskininlärning som en del av artificiell intelligens Typer av ML ML-algoritmer Utmaningar och potentiell användning av ML Overfitting och bias-varians avvägning i ML Tekniker för maskininlärning Maskininlärnings-arbetsflödet Övervakat lärande – Klassificering, Regression Oövervakat lärande – Klustring, Avvikelsedetektering Halvövervakad inlärning och Reinforcement Learning övervägande vid maskininlärning Dataförbearbetning Dataförberedelse och transformation Funktionsteknik Funktionsskalering Dimensionalitetsreduktion och variabelval Datavisualisering Explorativ analys Fallstudier Avancerad funktionsteknik och inverkan på resultat i linjär regression för förutsägelse Tidsserieanalys och Prognostisera månatlig försäljningsvolym - grundläggande metoder, säsongsjustering, regression, exponentiell utjämning, ARIMA, neurala nätverk Marknadskorganalys och associationsregler gruvning Segmenteringsanalys med hjälp av klustring och självorganiserande kartor Klassificering vilken kund som sannolikt kommer att standardisera med logistisk regression, beslut träd, xgboost, svm
Krav
Kunskap och medvetenhet om Machine Learning fundamentals
Vittnesmål (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.