Kurzusleírás
- Bevezetés az ML-be A gépi tanulás a mesterséges intelligencia részeként Az ML-algoritmusok típusai Az ML kihívásai és lehetséges használata Túlillesztés és torzítás-variancia kompromisszum az ML-ben A gépi tanulás technikái A gépi tanulás munkafolyamata Felügyelt tanulás – Osztályozás, Regresszió Felügyelt tanulás – Klaszterezés, Anomália-észlelés Félig felügyelt tanulás és Reinforcement Learning Figyelembe vétel a gépi tanulási adatok előfeldolgozásában Adat-előkészítés és -átalakítás Funkciótervezés Funkció Méretezés Dimenziócsökkentés és változók kiválasztása Adatvizualizáció Feltáró elemzés Esettanulmányok Fejlett jellemzőtervezés és az előrejelzési lineáris regresszió eredményeire gyakorolt hatás Idősor-elemzés és Az értékesítés havi volumenének előrejelzése - alapmódszerek, szezonális kiigazítás, regresszió, exponenciális simítás, ARIMA, neurális hálózatok Piaci kosárelemzés és asszociációs szabályok bányászata Szegmentációs elemzés klaszterezés és önszerveződő térképek segítségével Besorolás, hogy melyik ügyfél valószínűsíthetően nem teljesít logisztikus regresszióval, döntés fák, xgboost, svm
Követelmények
Machine Learning alapok ismerete és ismerete
Vélemények (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.