Schulungsübersicht

Einführung

Einrichten einer Arbeitsumgebung

Überblick über die Funktionen von AutoML

Wie AutoML Algorithmen erforscht

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs, etc.

Lösen von Problemen nach Anwendungsfall

Lösen von Problemen nach Art der Trainingsdaten

Überlegungen zum Datenschutz

Kostenüberlegungen

Aufbereitung von Daten

Arbeiten mit numerischen und kategorialen Daten

  • IID-Tabellendaten (H2O AutoML, Auto-Sklearn, TPOT)

Arbeiten mit zeitabhängigen Daten (Zeitreihendaten)

Klassifizierung von Rohtext

Klassifizierung von Bild-Rohdaten

  • Deep Learning und neuronale Architektur Search (TensorFlow, PyTorch, Auto-Keras, etc.)

Einsatz einer AutoML Methode

Ein Blick auf die Algorithmen in AutoML

Zusammenfügen verschiedener Modelle

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Erfahrung mit Algorithmen des maschinellen Lernens.
  • Python oder R-Programmiererfahrung.

Publikum

  • Datenanalysten
  • Datenwissenschaftler
  • Dateningenieure
  • Entwickler
 14 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (3)

Kombinierte Kurse

H2O AutoML

14 Stunden

AutoML with Auto-sklearn

14 Stunden

AutoML with Auto-Keras

14 Stunden

Google Cloud AutoML

7 Stunden

Artificial Intelligence (AI) for City Planning

14 Stunden

AI Awareness for Telecom

14 Stunden

Ein Überblick über künstliche Intelligenz

7 Stunden

From Zero to AI

35 Stunden

Algebra for Machine Learning

14 Stunden

Azure Machine Learning (AML)

21 Stunden

Artificial Neural Networks, Machine Learning, Deep Thinking

21 Stunden

Applied AI from Scratch

28 Stunden

Applied AI from Scratch in Python

28 Stunden

Angewandtes Maschinelles Lernen

14 Stunden

Amazon Web Services (AWS) SageMaker

21 Stunden

Verwandte Kategorien