Course Outline

Begeleid leren: classificatie en regressie

    Machine Learning in Python: inleiding tot de scikit-learn API lineaire en logistieke regressie ondersteunen neurale netwerken van vectormachines willekeurig bos
Het opzetten van een end-to-end begeleide leerpijplijn met behulp van scikit-learn werken met databestanden
  • imputatie van ontbrekende waarden
  • omgaan met categorische variabelen
  • het visualiseren van gegevens
  • Python raamwerken voor AI-toepassingen:
  • TensorFlow, Theano, Caffe en Keras AI op schaal met Apache Spark: Mlib

      Geavanceerde neurale netwerkarchitecturen

    convolutionele neurale netwerken voor beeldanalyse terugkerende neurale netwerken voor tijdgestructureerde gegevens de lange-kortetermijngeheugencel

      Leren zonder toezicht: clustering, detectie van afwijkingen

    het implementeren van hoofdcomponentenanalyse met scikit-learn, het implementeren van autoencoders in Keras

      Praktische voorbeelden van problemen die AI kan oplossen (praktische oefeningen met Jupyter-notebooks), bijv

    beeldanalyse die complexe financiële reeksen voorspelt, zoals aandelenkoersen, complexe patroonherkenning en aanbevelingssystemen voor natuurlijke taalverwerking

      Begrijp de beperkingen van AI-methoden: faalwijzen, kosten en veelvoorkomende problemen

    overfitting bias/variantie trade-off biases in observationele data neurale netwerkvergiftiging

      Toegepast projectwerk (optioneel)

    Requirements

    Er zijn geen specifieke vereisten om aan deze cursus deel te nemen.

      28 Hours

    Getuigenissen (2)

    Related Courses

    Related Categories