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 Categories