Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione al Machine Learning Applicato
- Apprendimento statistico vs. Machine learning
- Iterazione e valutazione
- Trade-off tra bias e varianza
- Apprendimento supervisionato vs. Non supervisionato
- Problemi risolti con il Machine Learning
- Train Validation Test – Workflow di ML per evitare l'overfitting
- Workflow del Machine Learning
- Algoritmi di machine learning
- Scelta dell'algoritmo appropriato per il problema
Valutazione degli Algoritmi
-
Valutazione delle previsioni numeriche
- Misure di accuratezza: ME, MSE, RMSE, MAPE
- Stabilità dei parametri e delle previsioni
-
Valutazione degli algoritmi di classificazione
- Accuracy e i suoi problemi
- Matrice di confusione
- Problema delle classi sbilanciate
-
Visualizzazione delle prestazioni del modello
- Curva di profitto
- Curva ROC
- Curva lift
- Selezione del modello
- Sintonizzazione del modello – strategie di grid search
Preparazione dei Dati per il Modelling
- Importazione e archiviazione dei dati
- Comprensione dei dati – esplorazioni di base
- Manipolazione dei dati con la libreria pandas
- Trasformazione dei dati – Data wrangling
- Analisi esplorativa
- Dati mancanti – rilevamento e soluzioni
- Outliers – rilevamento e strategie
- Standardizzazione, normalizzazione, binarizzazione
- Codifica dei dati qualitativi
Algoritmi di Machine Learning per la Rilevazione degli Outliers
-
Algoritmi supervisionati
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritmi non supervisionati
- Basati sulla distanza
- Metodi basati sulla densità
- Metodi probabilistici
- Metodi basati su modelli
Comprensione del Deep Learning
- Panoramica dei concetti fondamentali del deep learning
- Differenza tra Machine Learning e Deep Learning
- Panoramica delle applicazioni del deep learning
Panoramica sulle Reti Neurali
- Cosa sono le reti neurali
- Reti neurali vs. Modelli di regressione
- Comprensione delle fondamenta matematiche e dei meccanismi di apprendimento
- Costruzione di una rete neurale artificiale
- Comprensione dei nodi neurali e delle connessioni
- Lavoro con i neuroni, le layer e i dati di input e output
- Comprensione dei perceptrons a singolo strato
- Differenze tra apprendimento supervisionato e non supervisionato
- Imparare le reti neurali feedforward e feedback
- Comprensione della propagazione in avanti e indietro
Costruzione di Modelli Semplici di Deep Learning con Keras
- Creazione di un modello Keras
- Comprensione dei dati
- Specifica del modello di deep learning
- Compilazione del modello
- Addestramento del modello
- Lavoro con i dati di classificazione
- Lavoro con modelli di classificazione
- Utilizzo dei modelli
Lavoro con TensorFlow per il Deep Learning
-
Preparazione dei dati
- Download dei dati
- Preparazione dei dati di addestramento
- Preparazione dei dati di test
- Scaling degli input
- Utilizzo di placeholders e variabili
- Specifica dell'architettura della rete
- Utilizzo della funzione di costo
- Utilizzo dell'ottimizzatore
- Utilizzo degli initializer
- Addestramento della rete neurale
-
Costruzione del grafo
- Inferenza
- Perdita
- Addestramento
-
Addestramento del modello
- Il grafo
- La sessione
- Loop di addestramento
-
Valutazione del modello
- Costruzione del grafo di valutazione
- Valutazione con l'output di valutazione
- Addestramento dei modelli a larga scala
- Visualizzazione e valutazione dei modelli con TensorBoard
Applicazione del Deep Learning nella Rilevazione delle Anomalie
-
Autoencoder
- Architettura encoder-decoder
- Perdita di ricostruzione
-
Variational Autoencoder
- Inferenza variazionale
-
Generative Adversarial Network
- Architettura generatore-discriminatore
- Approcci alla rilevazione delle anomalie utilizzando GAN
Framework Ensemble
- Combinazione dei risultati di diversi metodi
- Bootstrap aggregating
- Media del punteggio degli outliers
Requisiti
- Esperienza con la programmazione in Python
- Conoscenza di base delle statistiche e dei concetti matematici
Pubblico di Riferimento
- Sviluppatori
- Data scientists
28 ore
Recensioni (5)
Il corso ha fornito una panoramica interessante sui modelli di deep learning e sui metodi correlati. L'argomento era piuttosto nuovo per me, ma ora mi sento più a mio agio con il concetto di cosa possano includere l'IA e il ML, quali siano questi termini e come si possano utilizzare in modo vantaggioso. In generale, ho apprezzato l'approccio che partiva dal contesto statistico e dai modelli di apprendimento di base, come la regressione lineare, con particolare enfasi sugli esercizi intercalati.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Anna chiedeva sempre se ci fossero domande e cercava costantemente di coinvolgerci maggiormente ponendo domande a sua volta, il che ha reso tutti noi realmente partecipi della formazione.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
Mi è piaciuto il modo in cui è stato integrato con le pratiche.
Bertan - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
L'ampia esperienza / conoscenza del formatore
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
la VM è un'idea interessante
Vincent - REGNOLOGY ROMANIA S.R.L.
Corso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduzione automatica
