Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Hiperparaméter optimalizálás és optimalizálás
Haladó Machine Learning modellek bevezetése
Modell telepítés
Modell értelmezhetőség és magyarázhatóság
Neural Networks és Deep Learning
Valós világbeli alkalmazások és esettanulmányok
Összegzés és következő lépések
Google Colab használata nagy méretű Machine Learning -hoz
- Haladó modellek alkalmazása egészségügyben, pénzügyi szektorban és elektronikus kereskedelemben
- Esettanulmányok: sikeres modell telepítések
- Kihívások és jövőbeli trendek a haladó gépi tanulásban
- Mély neuronhálózatok építése és tanítása
- Transzfer tanulás előre tanított modellekkel
- Mély tanulási modellek teljesítményoptimalizálása
- Kollaboráció gépi tanulási projektekben a Colabban
- Colab használata elosztott tanításhoz és GPU/TPU gyorsításhoz
- Integrálás felhőszolgáltatásokkal skalázható modelltanításhoz
- Modell értelmezhetőség technikák (LIME, SHAP) megvizsgálása
- Magyarázható AI mély tanulási modellekhez
- Elveszett és igazságosság kezelése gépi tanulási modellekben
- Rács- és véletlen keresési technikák
- Hiperparaméter optimalizálás automatizálása Google Colab-vel
- Haladó optimalizálási technikák (Bayes, genetikus algoritmusok) használata
- Modell telepítési stratégiák bevezetése
- Modell telepítés felhőkörnyezetekben Google Colab használatával
- Valós idejű következtetés és tömörfeldolgozás
- Komplex modellek áttekintése: Random Forestek, Gradient Boosting, Neural Networks
- Mikor használni haladó modelleket: legjobb gyakorlatok és használati esetek
- Összefoglaló tanulási technikák bevezetése
Követelmények
Célközönség
- Adat tudósok
- Gépész tanulás gyakorlók
- Műszaki AI mérnökök
- Mély értelem és tudás a gépész tanulás algoritmusairól és koncepciókról
- Professzionalitás Python programozásban
- Tapasztalat Jupyter Notebooks vagy Google Colab használatával
21 Órák
Vélemények (2)
Az ML ekoszisztéma nem csak MLFlow-t, hanem Optuna, hyperops, docker és docker-compose is tartalmazza.
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
I élveztem a részvételt a Kubeflow képzésen, amelyet távolról tartottak. Ez a képzés lehetővé tette számomra, hogy megfossam az AWS szolgáltatások, a K8s, és az összes Kubeflow-hoz tartozó devOps eszköz ismereteit, amelyek a tárgy megfelelő megközelítéséhez szükségesek. Köszönöm Malawski Marcinnek a kitartását és a szakmai hozzáállását a képzés és a legjobb gyakorlatok tanácsai során. Malawski különböző szempontokból közelíti meg a tárgyat, különböző telepítési eszközök Ansible, EKS kubectl, Terraform. Most biztos vagyok benne, hogy a megfelelő alkalmazási területre léptek.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás
