Course Outline

Introductie

Het opzetten van een werkomgeving

Overzicht van AutoML Functies

Hoe AutoML algoritmen verkent

  • Gradient Boosting Machines (GBM's), Random Forests, GLM's, enz.

Problemen oplossen per use-case

Problemen oplossen op basis van trainingsgegevenstype

Overwegingen met betrekking tot gegevensprivacy

Kostenoverwegingen

Gegevens voorbereiden

Werken met numerieke en categorische gegevens

  • IID-gegevens in tabelvorm (H2O AutoML, auto-sklearn, TPOT)

Werken met tijdsafhankelijke gegevens (tijdreeksgegevens)

Onbewerkte tekst classificeren

Onbewerkte afbeeldingsgegevens classificeren

  • Deep Learning en Neurale Architectuur Search (TensorFlow, PyTorch, Auto-Keras, etc.)

Een AutoML-methode implementeren

Een blik op de algoritmen binnenin AutoML

Verschillende modellen samenvoegen

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Ervaring met machine learning-algoritmen.
  • Python of R-programmeerervaring.

Publiek

  • Data-analisten
  • Datawetenschappers
  • Data-ingenieurs
  • Ontwikkelaars
  14 Hours
 

Getuigenissen (3)

Related Courses

Related Categories