Struttura del corso

Introduzione all'Applicato Machine Learning

    Apprendimento statistico vs. apprendimento automatico Iterazione e valutazione Compromesso distorsione-varianza Apprendimento supervisionato vs non supervisionato Problemi risolti con Machine Learning Test di convalida del treno - Flusso di lavoro ML per evitare l'overfitting Flusso di lavoro di Machine Learning Algoritmi di apprendimento automatico Scelta dell'algoritmo appropriato al problema

Valutazione dell'algoritmo

    Valutazione delle previsioni numeriche Misure di accuratezza: ME, MSE, RMSE, MAPE Stabilità dei parametri e delle previsioni
Valutazione degli algoritmi di classificazione L'accuratezza e i suoi problemi
  • La matrice di confusione
  • Problema delle classi sbilanciate
  • Visualizzazione delle prestazioni del modello Curva dei profitti
  • Curva ROC
  • Curva di portanza
  • Selezione del modello
  • Ottimizzazione del modello - strategie di ricerca della griglia
  • Preparazione dei dati per la modellazione
  • Importazione e archiviazione dei dati Comprendere i dati: esplorazioni di base Manipolazioni dei dati con la libreria panda Trasformazioni dei dati – Data wrangling Analisi esplorativa Osservazioni mancanti: rilevamento e soluzioni Outlier: rilevamento e strategie Standardizzazione, normalizzazione, binarizzazione Ricodifica qualitativa dei dati
  • Algoritmi di apprendimento automatico per il rilevamento di valori anomali
  • Algoritmi supervisionati KNN Aumento del gradiente d'insieme SVM (SVM)

      Algoritmi non supervisionati Basato sulla distanza

    Metodi basati sulla densità

      Metodi probabilistici
    Metodi basati su modelli
  • Comprensione Deep Learning
  • Panoramica dei concetti di base del deep learning Differenziazione tra Machine Learning e deep learning Panoramica delle applicazioni per il deep learning
  • Panoramica di Neural Networks
  • Cosa sono Neural Networks Neural Networks Confronto con i modelli di regressione Comprendere i fondamenti matematici e i meccanismi di apprendimento Costruire una Rete Neurale Artificiale Comprendere i nodi neurali e le connessioni Utilizzo di neuroni, livelli e dati di input e output Comprendere i percettroni a strato singolo Differenze tra apprendimento supervisionato e non supervisionato Feedforward e feedback sull'apprendimento Neural Networks Informazioni sulla propagazione in avanti e sulla propagazione all'indietro
  • Creazione di semplici modelli di deep learning con Keras

      Creazione di un modello Keras Comprensione dei dati Specifica del modello di deep learning Compilazione del modello Adattamento del modello Utilizzo dei dati di classificazione Utilizzo dei modelli di classificazione Utilizzo dei modelli 

    Lavorare con TensorFlow per il Deep Learning

      Preparazione dei dati Scaricare i dati Preparazione dei dati di training Preparazione dei dati di test Ridimensionamento degli input Utilizzo di segnaposto e variabili

    Specifica dell'architettura di rete

      Utilizzo della funzione di costo

    Utilizzo dell'ottimizzatore

      Utilizzo degli inizializzatori
    Adattamento della rete neurale
  • Costruire il grafico Inferenza
  • Perdita
  • Formazione
  • Addestramento del modello Il grafico
  • La Sessione
  • Anello del treno
  • Valutazione del modello Creazione del grafico di valutazione
  • Valutazione con l'output di valutazione
  • Modelli di training su larga scala
  • Visualizzazione e valutazione dei modelli con TensorBoard 
  • Applicazione di Deep Learning nel rilevamento delle anomalie
  • Encoder automatico Encoder - Architettura del decodificatore Perdita di ricostruzione
  • Encoder variazionale Inferenza variazionale
  • Rete antagonista generativa Generatore – Architettura discriminatore
  • Approcci all'AN utilizzando GAN
  • Strutture di ensemble
  • Combinazione dei risultati di metodi diversi Bootstrap Aggregazione Calcolo della media del punteggio anomalo
  •  
  • Requisiti

    • Esperienza con la programmazione Python
    • Familiarità di base con la statistica e i concetti matematici

    Pubblico

    • Gli sviluppatori
    • Scienziati dei dati
     28 ore

    Numero di Partecipanti



    Prezzo per Partecipante

    Corsi relativi

    Categorie relative