Struttura del corso
Introduzione all'applicazione Machine Learning
- Apprendimento statistico vs. apprendimento automatico
- Iterazione e valutazione
- Compromesso bias-varianza
- Apprendimento supervisionato vs non supervisionato
- Problemi risolti con Machine Learning
- Train Validation Test – Flusso di lavoro ML per evitare l'overfitting
- Flusso di lavoro di Machine Learning
- Algoritmi di apprendimento automatico
- Scegliere l'algoritmo appropriato al problema
Valutazione dell'algoritmo
- Valutazione delle previsioni numeriche
- Misure di precisione: ME, MSE, RMSE, MAPE
- Stabilità dei parametri e delle previsioni
- Valutazione degli algoritmi di classificazione
- La precisione e i suoi problemi
- La matrice della confusione
- Problema di classi sbilanciate
- Visualizzazione delle prestazioni del modello
- Curva dei profitti
- Curva ROC
- Curva di portanza
- Selezione del modello
- Ottimizzazione del modello – strategie di ricerca della griglia
Preparazione dei dati per la modellazione
- Importazione e archiviazione dei dati
- Comprendere i dati - esplorazioni di base
- Manipolazioni dei dati con la libreria pandas
- Trasformazioni dei dati – Wrangling dei dati
- Analisi esplorativa
- Osservazioni mancanti – rilevamento e soluzioni
- Outlier: rilevamento e strategie
- Standardizzazione, normalizzazione, binarizzazione
- Ricodifica qualitativa dei dati
Algoritmi di apprendimento automatico per il rilevamento dei valori anomali
- Algoritmi supervisionati
- KNN
- Potenziamento del gradiente dell'ensemble
- SVM
- Algoritmi non supervisionati
- Basato sulla distanza
- Metodi basati sulla densità
- Metodi probabilistici
- Metodi basati su modelli
Comprensione Deep Learning
- Panoramica dei concetti di base di Deep Learning
- Distinzione tra Machine Learning e Deep Learning
- Panoramica delle applicazioni per Deep Learning
Panoramica di Neural Networks
- Cosa sono Neural Networks
- Neural Networks Vs Modelli di regressione
- Comprendere Mathematical Fondamenti e meccanismi di apprendimento
- Costruire una rete neurale artificiale
- Comprendere i nodi neurali e le connessioni
- Utilizzo di neuroni, livelli e dati di input e output
- Comprensione dei percettroni a strato singolo
- Differenze tra apprendimento supervisionato e non supervisionato
- Feedforward e feedback sull'apprendimento Neural Networks
- Informazioni sulla propagazione diretta e sulla propagazione inversa
Costruzione di modelli semplici Deep Learning con Keras
- Creazione di un modello Keras
- Comprendere i dati
- Specifica del modello Deep Learning
- Compilazione del modello
- Adattamento del modello
- Utilizzo dei dati di classificazione
- Utilizzo dei modelli di classificazione
- Utilizzo dei modelli
Lavorare con TensorFlow per Deep Learning
- Preparazione dei dati
- Download dei dati
- Preparazione dei dati di training
- Preparazione dei dati di test
- Ridimensionamento degli input
- Utilizzo di segnaposto e variabili
- Specifica dell'architettura di rete
- Utilizzo della funzione di costo
- Utilizzo dell'ottimizzatore
- Utilizzo degli inizializzatori
- Adattamento della rete neurale
- Costruire il grafico
- Inferenza
- Perdita
- Formazione
- Addestramento del modello
- Il grafico
- La sessione
- Anello del treno
- Valutazione del modello
- Costruire il grafo di valutazione
- Valutazione con l'output di valutazione
- Addestramento di modelli su larga scala
- Visualizzazione e valutazione di modelli con TensorBoard
Applicazione di Deep Learning nel rilevamento delle anomalie
- Autoencoder
- Encoder - Architettura del decodificatore
- Perdita di ricostruzione
- Autencoder variazionale
- Inferenza variazionale
- Rete generativa avversaria
- Generatore – Architettura discriminante
- Approcci all'AN utilizzando la GAN
Quadri di Ensemble
- Combinazione dei risultati di metodi diversi
- Bootstrap Aggregazione
- Punteggio outlier medio
Requisiti
- Esperienza con la programmazione Python
- Familiarità di base con la statistica e i concetti matematici
Pubblico
- Gli sviluppatori
- Scienziati dei dati
Recensioni (5)
La formazione ha fornito un'interessante panoramica dei modelli di deep learning e dei relativi metodi. L'argomento era abbastanza nuovo per me, ma ora sento di avere effettivamente un'idea di cosa possono comportare l'IA e il ML, in cosa consistono questi termini e come possono essere utilizzati in modo vantaggioso. In generale, mi è piaciuto l'approccio di partire dal background statistico e dai modelli di apprendimento di base, come la regressione lineare, enfatizzando soprattutto gli esercizi intermedi.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Anna chiedeva sempre se c'erano domande e cercava sempre di renderci più attivi ponendo domande, il che ci ha reso tutti davvero coinvolti nella formazione.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Mi è piaciuto il modo in cui si fonde con le pratiche.
Bertan - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
La vasta esperienza/conoscenza del formatore
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
la VM è una bella idea
Vincent - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica