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
Getuigenissen (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Cursus - Azure Machine Learning (AML)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete