Corso di formazione XGBoost for Gradient Boosting
XGBoost è un’algoritmo basato sull’albero decisionale. Utilizza un gradient boosting framework per risolvere problemi di previsione che coinvolgono dati non strutturati come immagini e testo. Il gradient boosting è anche una tecnica popolare per la modellazione efficiente dei set di dati da tavolo.
Questo allenamento guidato da istruttori, dal vivo (online o on-site) è rivolto a scienziati dei dati che vogliono utilizzare XGBoost per costruire modelli che risolvono efficacemente i problemi di regressione, classificazione, ranking e previsione.
Al termine di questo corso, i partecipanti saranno in grado di:
- Installare e configurare XGBoost.
- Comprendere la relazione tra gli alberi decisionali e altri algoritmi come la regressione logistica e la foresta casuale.
- Prova diverse biblioteche per determinare la migliore per il lavoro.
- Scegli la configurazione giusta per un algoritmo.
- Toni i hyper-parametri di un algoritmo per un dato set di dati.
- Implementa una soluzione di apprendimento automatico che equilibra il potere con la complessità, l'esplicabilità e la facilità di implementazione.
Il formato del corso
- Interattiva lezione e discussione.
- Molti esercizi e pratiche.
- Implementazione a mano in un ambiente live-lab.
Opzioni di personalizzazione del corso
- Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
Struttura del corso
Introduzione
- Reti neurali artificiali vs algoritmi basati sull'albero decisionale
Panoramica delle funzionalità di XGBoost
- Elementi di un algoritmo di Gradient Boosting
- Focus sulla velocità di calcolo e sulle prestazioni del modello
- XGBoost vs regressione logistica, Random Forest e aumento del gradiente standard
L'evoluzione degli algoritmi ad albero
- Alberi decisionali, Bagging, Random Forest, Boosting, Gradient Boosting
- Ottimizzazione del sistema
- Miglioramenti algoritmici
Preparazione dell'ambiente
- Installazione di SciPy e scikit-learn
Creazione di un modello XGBoost
- Download di un set di dati
- Risoluzione di un problema di classificazione comune
- Training del modello XGBoost per la classificazione
- Risolvere un'attività di regressione comune
Monitoraggio delle prestazioni
- Valutazione e creazione di report sulle prestazioni
- Arresto anticipato
Rappresentazione grafica delle feature in base all'importanza
- Calcolo dell'importanza della feature
- Decidere quali variabili di input mantenere o scartare
Configurazione dell'aumento del gradiente
- Esaminare le curve di apprendimento nei set di dati di training e convalida
- Regolazione del tasso di apprendimento
- Regolazione del numero di alberi
Ottimizzazione degli iperparametri
- Miglioramento delle prestazioni di un modello XGBoost
- Progettazione di un esperimento controllato per ottimizzare gli iperparametri
- Searchcombinazioni di parametri
Creazione di una pipeline
- Incorporazione di un modello XGBoost in una pipeline di Machine Learning end-to-end
- Ottimizzazione degli iperparametri all'interno della pipeline
- Tecniche avanzate di pre-elaborazione
Risoluzione dei problemi
Riassunto e conclusione
Requisiti
- Esperienza nella scrittura di modelli di Machine Learning
Pubblico
- Scienziati dei dati
- Ingegneri dell'apprendimento automatico
I corsi di formazione pubblici richiedono più di 5 partecipanti.
Corso di formazione XGBoost for Gradient Boosting - Booking
Corso di formazione XGBoost for Gradient Boosting - Richiedi Informazioni
XGBoost for Gradient Boosting - Richiesta di consulenza
Corsi in Arrivo
Corsi relativi
H2O AutoML
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano utilizzare H2O AutoML per automatizzare il processo di creazione e selezione del miglior algoritmo e parametro di apprendimento automatico.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Automatizza il flusso di lavoro di machine learning.
- Eseguire automaticamente il training e l'ottimizzazione di molti modelli di Machine Learning entro un intervallo di tempo specificato.
- Addestra gli insiemi impilati per arrivare a modelli di insiemi altamente predittivi.
AutoML with Auto-sklearn
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai professionisti dell'apprendimento automatico che desiderano utilizzare Auto-sklearn per automatizzare il processo di selezione e ottimizzazione di un modello di apprendimento automatico.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Automatizza il processo di addestramento di modelli di machine learning ad alta efficienza.
- Crea modelli di machine learning estremamente accurati evitando le attività più noiose di selezione, addestramento e test di modelli diversi.
- Sfrutta la potenza del machine learning per risolvere i problemi aziendali del mondo reale.
AutoML with Auto-Keras
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist e alle persone meno tecniche che desiderano utilizzare Auto-Keras per automatizzare il processo di selezione e ottimizzazione di un modello di machine learning.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Automatizza il processo di addestramento di modelli di machine learning ad alta efficienza.
- Cerca automaticamente i parametri migliori per i modelli di deep learning.
- Crea modelli di machine learning estremamente accurati.
- Sfrutta la potenza del machine learning per risolvere i problemi aziendali del mondo reale.
Introduction to Stable Diffusion for Text-to-Image Generation
21 oreQuesto corso di formazione dal vivo con istruttore (online o in loco) è rivolto a data scientist, ingegneri di apprendimento automatico e ricercatori di visione artificiale che desiderano sfruttare Stable Diffusion per generare immagini di alta qualità per una varietà di casi d'uso.
Al termine di questa formazione, i partecipanti saranno in grado di:
-
Comprendere i principi di Stable Diffusion e come funziona per la generazione di immagini.
Compilare ed eseguire il training di Stable Diffusion modelli per le attività di generazione di immagini.
Applicare Stable Diffusion a vari scenari di generazione di immagini, ad esempio inpainting, outpainting e conversione da immagine a immagine.
Ottimizza le prestazioni e la stabilità dei modelli Stable Diffusion.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 oreQuesta formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a data scientist di livello intermedio e avanzato, ingegneri di machine learning, ricercatori di deep learning ed esperti di visione artificiale che desiderano espandere le proprie conoscenze e competenze nel deep learning per la generazione di testo in immagine.
Al termine di questa formazione, i partecipanti saranno in grado di:
-
Comprendere le architetture e le tecniche avanzate di deep learning per la generazione di testo in immagine.
Implementa modelli complessi e ottimizzazioni per una sintesi di immagini di alta qualità.
Ottimizza le prestazioni e la scalabilità per set di dati di grandi dimensioni e modelli complessi.
Ottimizza gli iperparametri per migliorare le prestazioni e la generalizzazione del modello.
Integrazione Stable Diffusion con altri framework e strumenti di deep learning
AlphaFold
7 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai biologi che desiderano capire come funziona AlphaFold e utilizzare AlphaFold i modelli come guide nei loro studi sperimentali.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere i principi di base di AlphaFold.
- Scopri come funziona AlphaFold.
- Impara a interpretare AlphaFold le previsioni e i risultati.
TensorFlow Lite for Embedded Linux
21 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per distribuire modelli di deep learning su dispositivi embedded.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installa e configura Tensorflow Lite su un dispositivo incorporato.
- Comprendere i concetti e le componenti sottostanti TensorFlow Lite.
- Converti i modelli esistenti in formato TensorFlow Lite per l'esecuzione su dispositivi incorporati.
- Lavorare entro i limiti di piccoli dispositivi e TensorFlow Lite, imparando a espandere l'ambito delle operazioni che possono essere eseguite.
- Distribuisci un modello di deep learning su un dispositivo embedded che esegue Linux.
TensorFlow Lite for Android
21 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per sviluppare applicazioni mobili con funzionalità di deep learning.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installare e configurare TensorFlow Lite.
- Comprendi i principi alla base di TensorFlow, dell'apprendimento automatico e dell'apprendimento profondo.
- Carica i modelli TensorFlow su un dispositivo Android.
- Abilita funzionalità di deep learning e machine learning, come la visione artificiale e il riconoscimento del linguaggio naturale, in un'applicazione mobile.
Tensorflow Lite for Microcontrollers
21 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli ingegneri che desiderano scrivere, caricare ed eseguire modelli di machine learning su dispositivi embedded di dimensioni molto ridotte.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installare TensorFlow Lite.
- Caricare modelli di machine learning su un dispositivo incorporato per consentirgli di rilevare il parlato, classificare le immagini e così via.
- Aggiungi l'intelligenza artificiale ai dispositivi hardware senza fare affidamento sulla connettività di rete.
TensorFlow Lite for iOS
21 oreQuesto corso di formazione dal vivo con istruttore (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per sviluppare applicazioni mobili iOS con funzionalità di deep learning.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Installare e configurare TensorFlow Lite.
- Comprendi i principi alla base di TensorFlow e dell'apprendimento automatico sui dispositivi mobili.
- Carica i modelli TensorFlow su un dispositivo iOS.
- Esegui un'applicazione iOS in grado di rilevare e classificare un oggetto catturato attraverso la fotocamera del dispositivo.
Edge AI with TensorFlow Lite
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello intermedio, data scientist e professionisti dell'intelligenza artificiale che desiderano sfruttare TensorFlow Lite per le applicazioni di intelligenza artificiale edge.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere i fondamenti di TensorFlow Lite e il suo ruolo nell'Edge AI.
- Sviluppa e ottimizza i modelli di intelligenza artificiale utilizzando TensorFlow Lite.
- Distribuisci TensorFlow modelli Lite su vari dispositivi edge.
- Utilizza strumenti e tecniche per la conversione e l'ottimizzazione dei modelli.
- Implementa pratiche applicazioni Edge AI utilizzando TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 oreQuesta formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a sviluppatori di intelligenza artificiale di livello intermedio, ingegneri di apprendimento automatico e architetti di sistema che desiderano ottimizzare i modelli di intelligenza artificiale per l'implementazione edge.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendi le sfide e i requisiti della distribuzione di modelli di intelligenza artificiale sui dispositivi edge.
- Applica tecniche di compressione dei modelli per ridurre le dimensioni e la complessità dei modelli di intelligenza artificiale.
- Utilizza metodi di quantizzazione per migliorare l'efficienza del modello sull'hardware edge.
- Implementare l'eliminazione e altre tecniche di ottimizzazione per migliorare le prestazioni del modello.
- Distribuisci modelli di intelligenza artificiale ottimizzati su vari dispositivi edge.
Edge AI in Industrial Automation
14 oreQuesta formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a ingegneri industriali di livello intermedio, professionisti della produzione e sviluppatori di intelligenza artificiale che desiderano implementare soluzioni di intelligenza artificiale Edge nell'automazione industriale.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere il ruolo dell'Edge AI nell'automazione industriale.
- Implementa soluzioni di manutenzione predittiva utilizzando l'Edge AI.
- Applicare tecniche di intelligenza artificiale per il controllo qualità nei processi di produzione.
- Ottimizza i processi industriali utilizzando Edge AI.
- Implementa e gestisci soluzioni Edge AI in ambienti industriali.
Edge AI for Financial Services
14 oreQuesta formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a professionisti della finanza di livello intermedio, sviluppatori fintech e specialisti di intelligenza artificiale che desiderano implementare soluzioni di intelligenza artificiale Edge nei servizi finanziari.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Comprendere il ruolo dell'Edge AI nei servizi finanziari.
- Implementa sistemi di rilevamento delle frodi utilizzando Edge AI.
- Migliora il servizio clienti attraverso soluzioni basate sull'intelligenza artificiale.
- Applica l'Edge AI per la gestione del rischio e il processo decisionale.
- Implementa e gestisci le soluzioni Edge AI negli ambienti finanziari.
Deep Learning Neural Networks with Chainer
14 oreQuesto corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a ricercatori e sviluppatori che desiderano utilizzare Chainer per costruire e addestrare reti neurali in Python rendendo il codice facile da debuggare.
Al termine di questa formazione, i partecipanti saranno in grado di:
- Configurare l'ambiente di sviluppo necessario per iniziare a sviluppare modelli di reti neurali.
- Definisci e implementa modelli di reti neurali utilizzando un codice sorgente comprensibile.
- Esegui esempi e modifica gli algoritmi esistenti per ottimizzare i modelli di addestramento del deep learning sfruttando GPU per prestazioni elevate.