tanfolyam DevOps Artisan – Gépi tanulás a TensorFlow/Keras Fundamentalsban mindazoknak szól, akik többet szeretnének megtudni a mesterséges intelligenciáról.
Ezen a tanfolyamon a résztvevők numerikus könyvtárak és adatvizualizációs technikák segítségével konfigurálják a környezetet, megírják a kód első sorait Pythonban. Ez a kurzus használható önálló információforrásként vagy lépésként a gépi tanulási tanulási út felé.
A tanfolyamon való részvételhez a hallgatóknak alapvető ismeretekkel kell rendelkezniük Data Science Pythonban.
1. modul: Bevezetés
- Mi az ML?
- Hol találom a való életben?
- Miért most?
- Mi az ML három fő kategóriája?
- Felügyelt tanulás
- Nem felügyelt tanulás
- Megerősítő tanulás (demó)
- ML csővezeték
2. modul: Gépi tanulás sci-kittel
- ML-csővezeték áttekintése
- scikit Python Library
- Adatábrázolás
- Funkciómátrix
- Céltömb
- Írisz adatkészlet példa
- Becslő API
- Lineáris regresszió
- Egyszerű lineáris regresszió
- Modell értékelése
- Polinomiális regresszió
Gyakorlati labor: Egy kis adat-előfeldolgozás, a kategorikus és a numerikus adatok közötti különbség elemzése, néhány releváns statisztikai érték ábrázolása és a jellemzők közötti összefüggés vizuális ellenőrzése
- A legjobb modell kiválasztása
- A torzítás-variancia kompromisszum
- Logisztikus regresszió
- Ki éli túl a Titanicot?
- Naiv Bayes
- Gauss naiv Bayes
- Multinomiális Naive Bayes
- Kategorikusan naiv Bayes
- k Legközelebbi szomszédok
- k-Means Clustering
- Dimenziócsökkentés
- Főkomponens-elemzés (PCA)
- Singular Value Dekompozíció (SVD)
- Döntési fák
- Véletlen erdők
Gyakorlati labor: Játék a torzítást és a szórást befolyásoló különböző értékekkel, precíziós számítás, visszahívás, F1 és F2-pontszámok, különböző modellek összehasonlítása az edzésen és a tesztelési pontosság.
3. modul: Neurális hálózatok a Tensorflow/Keras-ban
- Mesterséges neurális hálózatok (ANN-ok)
- neuronok
- Rétegek
- Aktiválási funkciók
- Több szókincs
- Népszerű keretek
- Keras
- Lineáris regresszió
- Modellek meghatározása a Kerasban
- Képzés és előrejelzés
- Divat MNIST példa
Gyakorlati labor: Első egyedi neurális hálózati modellünk elkészítése; a rétegek számának és a rétegenkénti neuronok számának megválasztása; a tanulási sebesség módosítása. A neurális hálózat képzése valós adatokon.
4. modul: Konvolúciós neurális hálózatok (bepillantás)
- Motiváció a CNN-ek mögött
- CNN Építőelemek
- Konvolúciós rétegek
- Rétegek összevonása
- CNN-ek Kerasban
- Adatbővítés
- architektúrák
5. modul: NLP mély tanulással
- Spam detektor
- Érzelemelemző
- Automatikus kiegészítés
6. modul: Megerősítő tanulás
- Frozen Lake demó
- Flappy Bird bemutató
7. modul: Ajánlórendszerek
- Adatok előkészítése
- Koszinusz távolság
- SVD ajánlórendszerekhez
- Autoencoder bemutató
DevOps Artisan – Gépi tanulás a TensorFlow/Keras Fundamentalsban
