Struttura del corso

Apprendimento supervisionato: classificazione e regressione

    Machine Learning in Python: introduzione all'API scikit-learn regressione lineare e logistica macchina vettoriale di supporto Reti neurali foresta casuale
Impostazione di una pipeline di apprendimento supervisionato end-to-end con scikit-learn Utilizzo dei file di dati
  • Imputazione dei valori mancanti
  • Gestione delle variabili categoriche
  • Visualizzazione dei dati
  • Python framework per applicazioni di IA:
  • TensorFlow, Theano, Caffè e Keras Intelligenza artificiale su larga scala con Apache Spark: Mlib

      Architetture avanzate di reti neurali

    Reti neurali convoluzionali per l'analisi delle immagini Reti neurali ricorrenti per dati strutturati nel tempo La cella di memoria a breve termine

      Apprendimento non supervisionato: clustering, rilevamento delle anomalie

    Implementazione dell'analisi delle componenti principali con SciKit-Learn Implementazione di autoencoder in Keras

      Esempi pratici di problemi che l'IA può risolvere (esercitazioni pratiche con notebook Jupyter), ad es. 

    Analisi delle immagini previsione di serie finanziarie complesse, come i prezzi delle azioni, Riconoscimento di pattern complessi Elaborazione del linguaggio naturale Sistemi di raccomandazione

      Comprendere i limiti dei metodi di IA: modalità di fallimento, costi e difficoltà comuni

    Sovraallestimento Compromesso distorsione/varianza Distorsioni nei dati osservativi avvelenamento della rete neurale

      Applied Project work (facoltativo)

    Requisiti

    Non sono necessari requisiti specifici per frequentare questo corso.

     28 ore

    Numero di Partecipanti


    Prezzo per Partecipante

    Recensioni (2)

    Categorie relative