Struttura del corso
Introduzione
- Costruzione di algoritmi efficaci per il riconoscimento, la classificazione e la regressione dei modelli.
Impostazione dell'ambiente di sviluppo
- Python Biblioteche
- Editor online e offline
Cenni preliminari sulla progettazione delle funzionalità
- Variabili di input e output (feature)
- Pro e contro della progettazione delle funzionalità
Tipi di problemi riscontrati nei dati grezzi
- Dati non puliti, dati mancanti, ecc.
Variabili di pre-elaborazione
- Gestione dei dati mancanti
Gestione dei valori mancanti nei dati
Utilizzo delle variabili categoriche
Convertire le etichette in numeri
Gestione delle etichette nelle variabili categoriche
Trasformare le variabili per migliorare il potere predittivo
- Numerico, categorico, data, ecc.
Pulizia di un set di dati
Machine Learning Modellazione
Gestione dei valori anomali nei dati
- Variabili numeriche, variabili categoriche, ecc.
Riassunto e conclusione
Requisiti
- Python Esperienza di programmazione.
- Esperienza con Numpy, Pandas e scikit-learn.
- Familiarità con gli algoritmi di Machine Learning.
Pubblico
- Gli sviluppatori
- Scienziati dei dati
- Analisti di dati
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - 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.