Fundamentals of Artificial Intelligence (AI) and Machine Learning

• Doświadczenie w programowaniu Python
• Podstawowa znajomość statystyki i pojęć matematycznych

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania.

Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe.

Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla telekomunikacji przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się.
• Poznać aplikacje i zastosowania głębokiego uczenia się w telekomunikacji.
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla telekomunikacji.
• Zbudować własny model przewidywania rezygnacji klientów z głębokiego uczenia się przy użyciu Python.

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.

Wprowadzenie do uczenia stosowanego Machine Learning

• Uczenie statystyczne a uczenie maszynowe
• Iteracja i ocena
• Kompromis między odchyleniem a wariancją
• Uczenie nadzorowane a nienadzorowane
• Problemy rozwiązywane za pomocą Machine Learning
• Train Validation Test - przepływ pracy ML w celu uniknięcia nadmiernego dopasowania
• Przepływ pracy Machine Learning
• Algorytmy uczenia maszynowego
• Wybór odpowiedniego algorytmu do problemu

Ocena algorytmu

• Ocena prognoz numerycznych
  • Miary dokładności: ME, MSE, RMSE, MAPE
  • Stabilność parametrów i prognoz
• Ocena algorytmów klasyfikacji
  • Dokładność i związane z nią problemy
  • Macierz pomyłek
  • Problem niezrównoważonych klas
• Wizualizacja wydajności modelu
  • Krzywa zysku
  • Krzywa ROC
  • Krzywa podnoszenia
• Wybór modelu
• Dostrajanie modelu - strategie wyszukiwania siatki

Przygotowanie danych do modelowania

• Import i przechowywanie danych
• Zrozumienie danych - podstawowe eksploracje
• Manipulowanie danymi za pomocą biblioteki pandas
• Transformacje danych - zarządzanie danymi
• Analiza eksploracyjna
• Brakujące obserwacje - wykrywanie i rozwiązania
• Wartości odstające - wykrywanie i strategie
• Standaryzacja, normalizacja, binaryzacja
• Rekodowanie danych jakościowych

Algorytmy uczenia maszynowego do wykrywania wartości odstających

• Algorytmy nadzorowane
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algorytmy nienadzorowane
  • Oparte na odległości
  • Metody oparte na gęstości
  • Metody probabilistyczne
  • Metody oparte na modelach

Zrozumienie Deep Learning

• Przegląd podstawowych koncepcji Deep Learning
• Rozróżnienie między Machine Learning i Deep Learning
• Przegląd aplikacji dla Deep Learning

Przegląd Neural Networks

• Czym są Neural Networks
• Neural Networks a modele regresji
• Zrozumienie Mathematica l Podstawy i mechanizmy uczenia się
• Konstruowanie sztucznej sieci neuronowej
• Zrozumienie węzłów neuronowych i połączeń
• Praca z neuronami, warstwami oraz danymi wejściowymi i wyjściowymi
• Zrozumienie jednowarstwowych perceptronów
• Różnice między uczeniem nadzorowanym i nienadzorowanym
• Uczenie się z wyprzedzeniem i ze sprzężeniem zwrotnym Neural Networks
• Zrozumienie propagacji do przodu i propagacji wstecznej

Tworzenie prostych Deep Learning modeli z Keras

• Tworzenie modelu Keras
• Zrozumienie danych
• Określanie modelu Deep Learning
• Kompilowanie modelu
• Dopasowywanie modelu
• Praca z danymi klasyfikacji
• Praca z modelami klasyfikacji
• Korzystanie z modeli

Praca z TensorFlow dla Deep Learning

• Przygotowanie danych
  • Pobieranie danych
  • Przygotowywanie danych szkoleniowych
  • Przygotowywanie danych testowych
  • Skalowanie danych wejściowych
  • Używanie symboli zastępczych i zmiennych
• Określanie architektury sieci
• Korzystanie z funkcji kosztu
• Korzystanie z optymalizatora
• Używanie inicjalizatorów
• Dopasowywanie sieci neuronowej
• Tworzenie grafu
  • Wnioskowanie
  • Strata
  • Trening
• Trenowanie modelu
  • Wykres
  • Sesja
  • Pętla treningowa
• Ocena modelu
  • Tworzenie wykresu oceny
  • Ocena na podstawie danych wyjściowych
• Trenowanie modeli na dużą skalę
• Wizualizacja i ocena modeli za pomocą TensorBoard

Zastosowanie Deep Learning w wykrywaniu anomalii

• Autoenkoder
  • Architektura kodera-dekodera
  • Straty związane z rekonstrukcją
• Autencoder wariacyjny
  • Wnioskowanie wariacyjne
• Generatywna sieć kontradyktoryjna
  • Architektura generator-dyskryminator
  • Podejścia do AN wykorzystujące GAN

Struktury zespołowe

• Łączenie wyników z różnych metod
• [Agregacja
• Uśrednianie wyników odstających