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
Recensioni (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Corso - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete