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
 14 heures

Nombre de participants


Prix par participant