Course Outline
- Εισαγωγή στη μηχανική μάθηση ML ως μέρος της τεχνητής νοημοσύνης Τύποι αλγορίθμων ML ML Προκλήσεις και πιθανή χρήση της υπερπροσαρμογής ML και αντιστάθμισης μεροληψίας-διακύμανσης στην ML Τεχνικές μηχανικής μάθησης Η Ροή εργασίας μηχανικής μάθησης Εποπτευόμενη μάθηση – Ταξινόμηση, παλινδρόμηση Μη εποπτευόμενη μάθηση – Ομαδοποίηση, Ανίχνευση ανωμαλιών Ημι-εποπτευόμενη μάθηση και Reinforcement Learning Εξέταση στην προεπεξεργασία δεδομένων μηχανικής μάθησης Προετοιμασία και μετασχηματισμός δεδομένων Μηχανική χαρακτηριστικών Κλιμάκωση χαρακτηριστικών Μείωση διαστάσεων και επιλογή μεταβλητών Οπτικοποίηση δεδομένων Διερευνητική ανάλυση Μελέτες περίπτωσης Προηγμένη μηχανική χαρακτηριστικών και αντίκτυπος στα αποτελέσματα σε γραμμική παλινδρόμηση για ανάλυση χρονοσειρών πρόβλεψης και Πρόβλεψη μηνιαίου όγκου πωλήσεων - βασικές μέθοδοι, εποχιακή προσαρμογή, παλινδρόμηση, εκθετική εξομάλυνση, ARIMA, νευρωνικά δίκτυα Ανάλυση καλαθιού αγοράς και εξόρυξη κανόνων συσχέτισης Ανάλυση τμηματοποίησης με χρήση ομαδοποίησης και αυτοοργάνωσης χαρτών Ταξινόμηση ποιος πελάτης είναι πιθανό να αθετήσει με χρήση λογιστικής παλινδρόμησης, απόφαση δέντρα, xgboost, svm
Requirements
Γνώση και επίγνωση των Machine Learning θεμελιωδών στοιχείων
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.