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
Erfahrungsberichte (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Kurs - 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
Kurs - 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