Plan du cours
Introduction
Mise en place d'un environnement de travail
Aperçu des caractéristiques de AutoML
Comment AutoML explore les algorithmes
- Machines de renforcement du gradient (GBM), Random Forests, GLM, etc.
Résolution des problèmes par cas d'utilisation
Résolution des problèmes en fonction du type de données d'entraînement
Considérations sur la confidentialité des données
Considérations sur les coûts
Préparation des données
Travailler avec des données numériques et catégorielles
- Données tabulaires IID (H2O AutoML, auto-sklearn, TPOT)
Travailler avec des données dépendant du temps (données de séries temporelles)
Classifier du texte brut
Classification de données d'images brutes
- Architecture neuronale Deep Learning et architecture neuronale Search (TensorFlow, PyTorch, Auto-Keras, etc.)
Déployer une méthode AutoML
Aperçu des algorithmes de AutoML
Assemblage de différents modèles
Résolution des problèmes
Résumé et conclusion
Pré requis
- Expérience des algorithmes d'apprentissage automatique.
- Python ou expérience en programmation R.
Public
- Analystes de données
- Data scientists
- Ingénieurs de données
- Développeurs
Nos Clients témoignent (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Formation - 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
Formation - 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