Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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
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
