Struttura del corso

Introduzione e Configurazione dell'Ambiente

  • Cos'è l'AutoML e perché è importante
  • Configurazione degli ambienti Python e R
  • Configurazione di desktop remoti e ambienti cloud

Esplorazione delle Funzionalità dell'AutoML

  • Capacità principali dei framework AutoML
  • Ottimizzazione degli iperparametri e strategie di ricerca
  • Interpretazione delle uscite e log dell'AutoML

Come l'AutoML Seleziona gli Algoritmi

  • Macchine a Gradiente Boosting (GBMs), Random Forests, GLMs
  • Reti neurali e backends di deep learning
  • Compromessi: accuratezza vs. interpretabilità vs. costo

Preparazione e Preprocessing dei Dati

  • Lavorare con dati numerici e categoriali
  • Ingegneria delle features e strategie di codifica
  • Gestione dei valori mancanti e dell'imbilanciamento dei dati

AutoML per Diversi Tipi di Dati

  • Dati tabulari (H2O AutoML, auto-sklearn, TPOT)
  • Dati time-series (previsione e modellazione sequenziale)
  • Compiti di testo e NLP (classificazione, analisi del sentiment)
  • Classificazione delle immagini e computer vision (Auto-Keras, TensorFlow, PyTorch)

Distribuzione e Monitoraggio dei Modelli

  • Esportazione e distribuzione di modelli AutoML
  • Costruzione di pipeline per previsioni in tempo reale
  • Monitoraggio del drift dei modelli e strategie di riatraining

Ensemble e Argomenti Avanzati

  • Stacking e blending dei modelli AutoML
  • Considerazioni sulla privacy e conformità
  • Ottimizzazione del costo per l'AutoML su larga scala

Risoluzione dei Problemi e Case Studies

  • Errori comuni e come risolverli
  • Interpretazione delle prestazioni dei modelli AutoML
  • Case studies da casi di utilizzo nell'industria

Riepilogo e Prossimi Passaggi

Requisiti

  • Esperienza con algoritmi di machine learning
  • Esperienza in programmazione Python o R

Pubblico di riferimento

  • Analisti di dati
  • Scienziati dei dati
  • Ingegneri dei dati
  • Sviluppatori
 14 Ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative