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
 28 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative