курс DevOps Artisan – Машинне навчання в TensorFlow/Keras Fundamentals адресовано всім, хто хоче дізнатися більше про штучний інтелект.
У цьому курсі учасники налаштують середовище, напишуть перші рядки коду на Python за допомогою числових бібліотек і методів візуалізації даних. Цей курс можна використовувати як окреме джерело інформації або як крок на шляху до машинного навчання.
Щоб взяти участь у цьому курсі, студенти повинні мати базові знання Data Science в Python.
Модуль 1: Вступ
- Що таке ML?
- Де я можу знайти це в реальному житті?
- Чому зараз?
- Які три основні категорії ML?
- Контрольоване навчання
- Непідконтрольне навчання
- Навчання з підкріпленням (демо)
- Трубопровід ML
Модуль 2: Машинне навчання з науковим набором
- Огляд трубопроводу ML
- Бібліотека Python scikit
- Представлення даних
- Матриця ознак
- Цільовий масив
- Приклад набору даних райдужки
- API оцінювача
- Linear Regression
- Проста лінійна регресія
- Оцінка моделі
- Поліноміальна регресія
Практична лабораторія: Виконання невеликої попередньої обробки даних, аналіз різниці між категоріальними та числовими даними, побудова деяких відповідних статистичних значень і візуальна перевірка кореляції між функціями
- Вибір кращої моделі
- Компроміс зміщення-дисперсії
- Логістична регресія
- Хто виживе на Титаніку?
- Наївні Баєси
- Гаусівський наївний Байєс
- Багаточлен наївного Байєса
- Категорично наївний Байєс
- k Найближчі сусіди
- Кластеризація k-середніх
- Зменшення розмірності
- Аналіз основних компонентів (PCA)
- Декомпозиція сингулярного значення (SVD)
- Дерева рішень
- Випадкові ліси
Практична лабораторія: гра з різними значеннями, що впливають на зміщення та дисперсію, обчислення точності, запам’ятовування, показників F1 і F2, порівняння різних моделей щодо точності навчання та тестування.
Модуль 3: Нейронні мережі в Tensorflow/Keras
- Штучні нейронні мережі (ШНМ)
- Нейрони
- Шари
- Функції активації
- Більше словникового запасу
- Популярні фреймворки
- Керас
- Linear Regression
- Визначення моделей у Keras
- Навчання та прогнозування
- Fashion MNIST приклад
Практична лабораторія: Створення нашої першої спеціальної моделі нейронної мережі; вибір кількості шарів і кількості нейронів на шар; налаштування швидкості навчання. Навчання нейронної мережі на реальних даних.
Модуль 4: Згорткові нейронні мережі (погляд)
- Мотивація CNN
- Блоки CNN
- Шари згортки
- Об'єднання шарів
- CNN в Керасі
- Збільшення даних
- Архітектури
Модуль 5: НЛП із використанням глибокого навчання
- Детектор спаму
- Аналізатор настроїв
- Автозаповнення
Модуль 6: Навчання з підкріпленням
- Демонстрація «Замерзле озеро».
- Демонстрація Flappy Bird
Модуль 7: Рекомендаційні системи
- Підготовка даних
- Косинусна відстань
- SVD для рекомендаційних систем
- Демонстрація автокодувальника
DevOps Artisan – Машинне навчання в TensorFlow/Keras Fundamentals
