- Doświadczenie z algorytmami uczenia maszynowego.
- Doświadczenie w programowaniu w języku Python lub R.
Publiczność
- Analitycy danych
- Naukowcy zajmujący się danymi
- Inżynierowie danych
- Programiści
AutoML to przyjazne dla użytkownika oprogramowanie do uczenia maszynowego, które automatyzuje większość pracy potrzebnej do wyboru idealnego algorytmu uczenia maszynowego, jego ustawień parametrów i metod wstępnego przetwarzania.
To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla osób technicznych z doświadczeniem w uczeniu maszynowym, które chcą zoptymalizować modele uczenia maszynowego wykorzystywane do wykrywania złożonych wzorców w dużych zbiorach danych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i ocenić różne narzędzia open source AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA itp.)
- Trenuj wysokiej jakości modele uczenia maszynowego.
- Efektywne rozwiązywanie różnych typów nadzorowanych problemów uczenia maszynowego.
- Napisz tylko niezbędny kod, aby zainicjować proces automatycznego uczenia maszynowego.
Format kursu
- Interaktywny wykład i dyskusja.
- Wiele ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.
Opcje dostosowywania kursu
- Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami.
- Aby dowiedzieć się więcej o AutoML, odwiedź: https://www.automl.org/
Wprowadzenie
Konfigurowanie środowiska pracy
Przegląd funkcji AutoML
Jak AutoML bada algorytmy
- Gradient Boosting Machines (GBMs), Random Forests, GLMs itp.
Rozwiązywanie problemów według przypadków użycia
Rozwiązywanie problemów według typu danych szkoleniowych
Rozważania dotyczące prywatności danych
Rozważania dotyczące kosztów
Przygotowanie danych
Praca z danymi liczbowymi i kategorycznymi
- Dane tabelaryczne IID (H2O AutoML, auto-sklearn, TPOT)
Praca z danymi zależnymi od czasu (dane szeregów czasowych)
Klasyfikowanie nieprzetworzonego tekstu
Klasyfikowanie surowych danych obrazu
- Deep Learning i wyszukiwanie architektury neuronowej (TensorFlow, PyTorch, Auto-Keras itp.)
Wdrażanie metody AutoML
Spojrzenie na algorytmy wewnątrz AutoML
Łączenie różnych modeli
Rozwiązywanie problemów
Podsumowanie i wnioski