Python pour l'apprentissage automatique - cours 49 990 RUB. de Spécialiste, formation, Date: 27 novembre 2023.
Miscellanea / / December 03, 2023
Le cours est enseigné sur la base des bibliothèques d'apprentissage automatique Scikit-Learn et TensorFlow. Pendant le processus d'apprentissage, les outils de développement Jupyter Notebook et Jupyter-Lab sont activement utilisés. Les ressources de cloud computing de Google Colab sont également utilisées.
Le cours est recommandé aux programmeurs Python et aux spécialistes de la science des données.
Tu vas apprendre:
appliquer les technologies d'apprentissage automatique ;
utiliser des modèles de classification, de régression et de regroupement ;
utiliser des méthodes de prétraitement des données et des couvertures d'apprentissage automatique ;
sélectionner des modèles d'apprentissage automatique en fonction de la qualité de leur travail ;
approfondissez vos connaissances de Python, maîtrisez les outils modernes de développement de modèles d'apprentissage automatique.
Module 1. Énoncé du problème d'apprentissage automatique (2 ac. h.)
Trois types d'apprentissage automatique.
Schéma de construction de systèmes d'apprentissage automatique.
Outils nécessaires.
Entraînez-vous à créer un environnement de travail et à utiliser Anaconda et Jupyter Notebook.
Module 2. Formation avec un professeur. Problème de classification (6 ak. h.)
Le concept d'un réseau de neurones.
Perceptron. Définition, mise en œuvre et formation.
Neurone linéaire adaptatif. Définition, mise en œuvre et formation.
Méthode de descente de gradient.
Descente de gradient stochastique dans un neurone linéaire adaptatif.
Apprentissage dynamique sur le big data.
Entraînez-vous avec des modèles et des ensembles de données Scikit-Learn.
Entraînez-vous dans Jupyter Notebook.
Module 3. La bibliothèque scikit-learn, ses principales fonctionnalités (6 ac. h.)
Formation Perceptron.
Méthode de régression logistique.
Machine à vecteurs de support.
La méthode des k-voisins les plus proches.
Arbres de décision.
Un ensemble d'arbres arbitraires.
Entraînez-vous dans Jupyter Notebook.
Module 4. Formation avec un professeur. Problème de régression (6 ak. h.)
Formation avec un professeur. Problème de régression.
Régression linéaire.
Méthode des moindres carrés.
Méthode de descente de gradient.
Travailler avec les émissions. Algorithme RANSAC().
Technique bootstrap pour les coefficients de régression.
Évaluation de la qualité du modèle de régression.
Bases de la régression non linéaire.
Entraînez-vous dans Jupyter Notebook.
Module 5. Prétraitement des données, sélection des fonctionnalités et des modèles (6 ac. h.)
Gestion des données manquantes.
Catégories de traitement.
Modèles de prétraitement et de formation.
Sélection de fonctionnalités significatives.
Explorer des fonctionnalités importantes à l'aide de forêts aléatoires.
Pipelines d’apprentissage automatique.
Validation croisée et sélection de modèles.
Entraînez-vous dans Jupyter Notebook.
Module 6. Apprendre sans professeur. Analyse groupée (6 ac. h.)
Méthode K-means.
Analyse des composants principaux.
Analyse discriminante linéaire.
Classification hiérarchique.
Regroupement par densité.
Entraînez-vous dans Jupyter Notebook.
Module 7. Fondamentaux de l'apprentissage profond (8 ac. h.)
Graphiques et informatique distribuée.
Installation de Tensorflow.
Tenseurs.
Ensembles de données.
Interface d'application (API) Keras.
Régression linéaire avec descente de gradient stochastique.
Classification par réseau neuronal à deux couches des données Iris.
Fonctions d'activation des couches neuronales.
Classification des données MNIST.
Pratique dans Google Colab.