Struttura del corso

Introduzione

Creazione di un ambiente di lavoro

Panoramica di AutoML Caratteristiche

Come AutoML esplora gli algoritmi

  • Macchine per l'amplificazione del gradiente (GBM), Random Forest, GLM, ecc.

Risoluzione dei problemi in base al caso d'uso

Risoluzione dei problemi in base al tipo di dati di training

Considerazioni sulla privacy dei dati

Considerazioni sui costi

Preparazione dei dati

Utilizzo di dati numerici e categorici

  • Dati tabulari IID (H2O AutoML, auto-sklearn, TPOT)

Utilizzo di dati dipendenti dal tempo (dati di serie temporali)

Classificazione del testo non elaborato

Classificazione dei dati delle immagini raw

  • Deep Learning e Ricerca di Architetture Neurali (TensorFlow, PyTorch, Auto-Keras, ecc.)

Distribuzione di un metodo AutoML

Uno sguardo agli algoritmi all'interno AutoML

Assemblaggio di diversi modelli

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Esperienza con algoritmi di machine learning.
  • Python o esperienza di programmazione R.

Pubblico

  • Analisti di dati
  • Scienziati dei dati
  • Ingegneri dei dati
  • Gli sviluppatori
 14 ore

Numero di Partecipanti


Prezzo per Partecipante