Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction aux sciences appliquées Machine Learning
-
Apprentissage statistique et apprentissage automatique
Itération et évaluation
Compromis biais-variance
Apprentissage supervisé ou non supervisé
Problèmes résolus avec Machine Learning
Train Validation Test &ndash ; workflow ML pour éviter l'overfitting
Flux de travail de Machine Learning
Algorithmes d'apprentissage automatique
Choix de l'algorithme approprié au problème
Évaluation des algorithmes
-
Évaluation des prévisions numériques
Mesures de la précision : ME, MSE, RMSE, MAPE
Stabilité des paramètres et des prédictions
Algorithmes supervisés KNN Ensemble Gradient Boosting SVM
-
Algorithmes non supervisés
Basés sur la distance
Méthodes basées sur la densité
-
Méthodes probabilistes
Construire des modèles simples d'apprentissage profond avec Keras
-
Création d'un modèle Keras
Comprendre vos données
Spécifier votre modèle d'apprentissage profond
Compilation du modèle
Ajustement du modèle
Travailler avec vos données de classification
Travailler avec des modèles de classification
Utiliser vos modèles  ;
Travailler avec TensorFlow pour l'apprentissage profond
-
Préparation des données
Téléchargement des données
Préparation des données de formation
Préparation des données de test
Mise à l'échelle des entrées
Utilisation de caractères génériques et de variables
Spécification de l'architecture du réseau
-
Utilisation de la fonction de coût
Utilisation de l'Optimizer
-
Utilisation d'initiateurs
Pré requis
- Expérience de la programmation Python
- Familiarité de base avec les statistiques et les concepts mathématiques
Audience
- Développeurs
- Data scientists
28 heures