Course Outline

Pembelajaran yang diawasi: klasifikasi dan regresi

  • Machine Learning di Python: pengantar API scikit-learn
    • regresi linier dan logistik
    • mendukung mesin vektor
    • jaringan saraf
    • hutan acak
  • Menyiapkan alur pembelajaran yang diawasi secara menyeluruh menggunakan scikit-learn
    • bekerja dengan file data
    • imputasi nilai yang hilang
    • menangani variabel kategori
    • memvisualisasikan data

Python kerangka kerja untuk aplikasi AI:

  • TensorFlow, Theano, Caffe dan Keras
  • AI dalam skala besar dengan Apache Spark: Mlib

Arsitektur jaringan saraf tingkat lanjut

  • jaringan saraf konvolusional untuk analisis gambar
  • jaringan saraf berulang untuk data terstruktur waktu
  • sel memori jangka pendek

Pembelajaran tanpa pengawasan: pengelompokan, deteksi anomali

  • menerapkan analisis komponen utama dengan scikit-learn
  • mengimplementasikan autoencoder di Keras

Contoh praktis dari masalah yang dapat dipecahkan oleh AI (latihan langsung menggunakan buku catatan Jupyter), misalnya

  • analisis gambar
  • meramalkan seri keuangan yang kompleks, seperti harga saham,
  • pengenalan pola yang kompleks
  • pemrosesan bahasa alami
  • sistem pemberi rekomendasi

Pahami keterbatasan metode AI: cara kegagalan, biaya, dan kesulitan umum

  • terlalu pas
  • pertukaran bias/varians
  • bias dalam data observasi
  • keracunan jaringan saraf

Pekerjaan Proyek Terapan (opsional)

Requirements

Tidak ada persyaratan khusus yang diperlukan untuk mengikuti kursus ini.

 28 Hours

Number of participants


Price per participant

Testimonials (2)

Upcoming Courses (Minimal 5 peserta)

Related Categories