XGBoost for Gradient Boosting Schulung
XGBoost ist ein Entscheidungsbaum-basiertes Ensemble Machine Learning-Algorithmus. Es verwendet ein Gradient Boosting-Framework, um Prognosenprobleme zu lösen, die unstrukturierte Daten wie Bilder und Text beinhalten. Gradient Boosting ist auch eine beliebte Technik für die effiziente Modellierung von Tabelldatensetten.
Dieser Instructor-Leid, Live-Training (online oder online) richtet sich an Datenwissenschaftler, die XGBoost verwenden möchten, um Modelle zu bauen, die Regression, Klassifizierung, Ranking und Prognoseprobleme effizient lösen.
Am Ende dieser Ausbildung können die Teilnehmer:
- Installieren und konfigurieren Sie XGBoost.
- Verständnis der Beziehung zwischen Entscheidungsbaum und anderen Algorithmen wie logistischer Regression und zufälliger Wald.
- Prüfen Sie verschiedene Bibliotheken, um die beste für die Arbeit zu bestimmen.
- Wählen Sie die richtige Konfiguration für ein Algorithmus.
- Tune die Hyperparameter eines Algorithms für ein bestimmtes Datensatz.
- Implementieren Sie eine Machine Learning-Lösung, die die Kraft mit Komplexität, Erläuterbarkeit und Einfachheit der Umsetzung ausbalanciert.
Format des Kurses
- Interaktive Unterricht und Diskussion.
- Viele Übungen und Übungen.
- Hand-on Implementierung in einem Live-Lab-Umfeld.
Kursanpassungsoptionen
- Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.
Schulungsübersicht
Einführung
- Künstliche neuronale Netze vs. Entscheidungsbaum-basierte Algorithmen
Überblick über die XGBoost-Funktionen
- Elemente eines Gradient-Boosting-Algorithmus
- Schwerpunkt auf Berechnungsgeschwindigkeit und Modellleistung
- XGBoost vs. Logistische Regression, Random Forest und Standard Gradient Boosting
Die Entwicklung der baumbasierten Algorithmen
- Entscheidungsbäume, Bagging, Random Forest, Boosting, Gradient Boosting
- Optimierung des Systems
- Algorithmische Weiterentwicklungen
Vorbereiten der Umgebung
- Installation von SciPy und scikit-learn
Erstellen eines XGBoost-Modells
- Herunterladen eines Datensatzes
- Lösen eines allgemeinen Klassifizierungsproblems
- Training des XGBoost-Modells für die Klassifizierung
- Lösen einer allgemeinen Regressionsaufgabe
Überwachung der Leistung
- Bewertung und Berichterstattung der Leistung
- Frühzeitige Beendigung
Merkmale nach Wichtigkeit aufzeichnen
- Berechnung der Bedeutung von Merkmalen
- Entscheidung, welche Eingabevariablen beibehalten oder verworfen werden sollen
Konfigurieren der Gradientenverstärkung
- Überprüfung der Lernkurven auf Trainings- und Validierungsdatensätzen
- Anpassen der Lernrate
- Anpassen der Anzahl von Bäumen
Abstimmung der Hyperparameter
- Verbesserung der Leistung eines XGBoost-Modells
- Entwurf eines kontrollierten Experiments zur Abstimmung von Hyperparametern
- Searching Kombinationen von Parametern
Erstellen einer Pipeline
- Einbindung eines XGBoost-Modells in eine End-to-End-Pipeline für maschinelles Lernen
- Abstimmung von Hyperparametern innerhalb der Pipeline
- Fortgeschrittene Vorverarbeitungsmethoden
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Erfahrung im Schreiben von Modellen für maschinelles Lernen
Publikum
- Datenwissenschaftler
- Ingenieure für maschinelles Lernen
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.
XGBoost for Gradient Boosting Schulung - Buchung
XGBoost for Gradient Boosting Schulung - Anfrage
XGBoost for Gradient Boosting - Beratungsanfrage
Kombinierte Kurse
H2O AutoML
14 StundenDiese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die mit H2O AutoML den Prozess der Erstellung und Auswahl des besten Algorithmus und der besten Parameter für maschinelles Lernen automatisieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Automatisierung des Arbeitsablaufs für maschinelles Lernen.
- Automatisches Trainieren und Abstimmen vieler maschineller Lernmodelle innerhalb eines bestimmten Zeitraums.
- Trainieren Sie gestapelte Ensembles, um zu hochgradig prädiktiven Ensemble-Modellen zu gelangen.
AutoML with Auto-sklearn
14 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Praktiker im Bereich des maschinellen Lernens, die Auto-sklearn verwenden möchten, um den Prozess der Auswahl und Optimierung eines maschinellen Lernmodells zu automatisieren.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Automatisieren Sie den Prozess der Ausbildung hocheffizienter maschineller Lernmodelle.
- Erstellen Sie hochpräzise Modelle für maschinelles Lernen und umgehen Sie dabei die langwierigen Aufgaben der Auswahl, des Trainings und des Testens verschiedener Modelle.
- Nutzen Sie die Möglichkeiten des maschinellen Lernens, um reale Geschäftsprobleme zu lösen.
AutoML with Auto-Keras
14 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler und technisch weniger versierte Personen, die Auto-Keras verwenden möchten, um den Prozess der Auswahl und Optimierung eines maschinellen Lernmodells zu automatisieren.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Automatisieren Sie den Prozess des Trainings hocheffizienter maschineller Lernmodelle.
- Automatische Suche nach den besten Parametern für Deep-Learning-Modelle.
- Erstellen Sie hochpräzise Modelle für maschinelles Lernen.
- Nutzen Sie die Möglichkeiten des maschinellen Lernens, um reale Geschäftsprobleme zu lösen.
Introduction to Stable Diffusion for Text-to-Image Generation
21 StundenDiese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Computer-Vision-Forscher, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
-
Verstehen der Prinzipien von Stable Diffusion und wie es bei der Bilderzeugung funktioniert.
Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben.
Anwendung von Stable Diffusion auf verschiedene Szenarien der Bilderzeugung, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 StundenDieses von einem Lehrer geleitete Live-Training in Österreich (online oder vor Ort) richtet sich an Datenwissenschaftler mittlerer bis fortgeschrittener Ebene, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihr Wissen und ihre Fähigkeiten im Deep Learning erweitern möchten für die Text-zu-Bild-Generierung.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Verstehen Sie fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-zu-Bild-Generierung. Implementieren Sie komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese. Optimieren Sie Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle. Optimieren Sie Hyperparameter für eine bessere Modellleistung und Generalisierung. Integrieren Sie Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools
AlphaFold
7 StundenDiese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und die AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien verwenden möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Verstehen Sie die Grundprinzipien von AlphaFold.
- Lernen Sie, wie AlphaFold funktioniert.
- Lernen, wie man die Vorhersagen und Ergebnisse von AlphaFold interpretiert.
TensorFlow Lite for Embedded Linux
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite Deep-Learning-Modelle auf eingebetteten Geräten einsetzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Tensorflow Lite auf einem eingebetteten Gerät installieren und konfigurieren.
- Verstehen der Konzepte und Komponenten, die TensorFlow Lite zugrunde liegen.
- Bestehende Modelle in das TensorFlow Lite-Format für die Ausführung auf eingebetteten Geräten konvertieren.
- Mit den Einschränkungen von kleinen Geräten und TensorFlow Lite arbeiten und gleichzeitig lernen, wie man den Umfang der ausführbaren Operationen erweitert.
- Einsatz eines Deep-Learning-Modells auf einem eingebetteten Gerät unter Linux.
TensorFlow Lite for Android
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite mobile Anwendungen mit Deep-Learning-Funktionen entwickeln möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren und konfigurieren TensorFlow Lite.
- Verstehen der Prinzipien hinter TensorFlow, maschinellem Lernen und Deep Learning.
- TensorFlow-Modelle auf ein Android-Gerät laden.
- Tiefes Lernen und maschinelle Lernfunktionen wie Computer Vision und natürliche Spracherkennung in einer mobilen Anwendung aktivieren.
Tensorflow Lite for Microcontrollers
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine-Learning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren TensorFlow Lite.
- Laden Sie Modelle für maschinelles Lernen auf ein eingebettetes Gerät, um es in die Lage zu versetzen, Sprache zu erkennen, Bilder zu klassifizieren usw.
- Hardwaregeräte mit KI ausstatten, ohne auf eine Netzwerkverbindung angewiesen zu sein.
TensorFlow Lite for iOS
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite iOS-Mobilanwendungen mit Deep-Learning-Funktionen entwickeln möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren und konfigurieren TensorFlow Lite.
- Die Prinzipien hinter TensorFlow und maschinellem Lernen auf mobilen Geräten verstehen.
- Laden von TensorFlow-Modellen auf ein iOS-Gerät.
- Eine iOS-Anwendung ausführen, die in der Lage ist, ein mit der Kamera des Geräts aufgenommenes Objekt zu erkennen und zu klassifizieren.
Edge AI with TensorFlow Lite
14 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und KI-Experten, die TensorFlow Lite für Edge-KI-Anwendungen nutzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Grundlagen von TensorFlow Lite und seine Rolle in Edge AI zu verstehen.
- KI-Modelle mit TensorFlow Lite entwickeln und optimieren.
- Einsatz von TensorFlow Lite-Modellen auf verschiedenen Edge-Geräten.
- Werkzeuge und Techniken zur Modellkonvertierung und -optimierung nutzen.
- Implementierung praktischer Edge AI-Anwendungen mit TensorFlow Lite.
Optimizing AI Models for Edge Devices
14 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene KI-Entwickler, Ingenieure für maschinelles Lernen und Systemarchitekten, die KI-Modelle für den Edge-Einsatz optimieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Herausforderungen und Anforderungen beim Einsatz von KI-Modellen auf Edge-Geräten zu verstehen.
- Modellkomprimierungstechniken anwenden, um die Größe und Komplexität von KI-Modellen zu reduzieren.
- Quantisierungsmethoden anwenden, um die Modelleffizienz auf Edge-Hardware zu verbessern.
- Implementierung von Pruning und anderen Optimierungstechniken zur Verbesserung der Modellleistung.
- Einsatz von optimierten KI-Modellen auf verschiedenen Edge-Geräten.
Edge AI in Industrial Automation
14 StundenDiese Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Industrieingenieure, Fertigungsfachleute und KI-Entwickler, die Edge-KI-Lösungen in der industriellen Automatisierung implementieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Rolle von Edge AI in der Industrieautomation zu verstehen.
- Vorausschauende Wartungslösungen mit Edge AI zu implementieren.
- KI-Techniken für die Qualitätskontrolle in Fertigungsprozessen anwenden.
- Industrielle Prozesse mit Edge AI zu optimieren.
- Edge-KI-Lösungen in industriellen Umgebungen einsetzen und verwalten.
Edge AI for Financial Services
14 StundenDiese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Finanzfachleute auf mittlerem Niveau, Fintech-Entwickler und KI-Spezialisten, die Edge-KI-Lösungen in Finanzdienstleistungen implementieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Rolle von Edge AI in Finanzdienstleistungen zu verstehen.
- Betrugserkennungssysteme mit Edge AI zu implementieren.
- Den Kundenservice durch KI-gesteuerte Lösungen zu verbessern.
- Edge AI für das Risikomanagement und die Entscheidungsfindung einzusetzen.
- Edge-KI-Lösungen in Finanzumgebungen einführen und verwalten.
Deep Learning Neural Networks with Chainer
14 StundenDiese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen, wobei der Code leicht zu debuggen ist.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Einrichten der notwendigen Entwicklungsumgebung, um mit der Entwicklung von neuronalen Netzmodellen zu beginnen.
- Definieren und implementieren Sie neuronale Netzwerkmodelle mit Hilfe eines verständlichen Quellcodes.
- Beispiele ausführen und bestehende Algorithmen modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.