Programa do Curso
Introdução
Configurando um ambiente de trabalho
Visão geral de AutoML recursos
Como AutoML explora algoritmos
- Máquinas de Gradient Boosting (GBMs), Random Forests, GLMs, etc.
Resolvendo problemas por caso de uso
Resolvendo problemas por tipo de dados de treinamento
Considerações sobre privacidade de dados
Considerações de custo
Preparando Dados
Trabalhando com dados numéricos e categóricos
- Dados tabulares IID (H2O AutoML, auto-sklearn, TPOT)
Trabalhando com dados dependentes de tempo (dados de série temporal)
Classificação de texto bruto
Classificação de dados de imagem bruta
- Deep Learning e Arquitetura Neural Search (TensorFlow, PyTorch, Auto-Keras, etc.)
Implantando um método AutoML
Uma olhada nos algoritmos internos AutoML
Reunindo Modelos Diferentes
Solução de problemas
Resumo e conclusão
Requisitos
- Experiência com algoritmos de aprendizagem automática.
- Python ou experiência em programação R.
Público
- Analistas de dados
- Cientistas de dados
- Engenheiros de dados
- Desenvolvedores
Declaração de Clientes (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Curso - 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
Curso - 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