Struttura del corso

Introduzione

Impostazione di un ambiente di lavoro

Panoramica delle funzioni di AutoML

Come AutoML esplora gli algoritmi

  • Macchine per l'aumento 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 grezzo

Classificazione dei dati delle immagini non elaborate

  • Deep Learning e ricerca dell'architettura neurale (TensorFlow, PyTorch, Auto-Keras, ecc.)

Distribuzione di un metodo AutoML

Uno sguardo agli algoritmi all'interno AutoML

Unire insieme diversi modelli

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Esperienza con algoritmi di apprendimento automatico.
  • Python o R.

Pubblico

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

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo