Đề cương khóa học

Giới thiệu và Cài đặt Môi trường

  • AutoML là gì và tầm quan trọng của nó
  • Cài đặt môi trường Python và R
  • Cấu hình máy tính từ xa và môi trường đám mây

Khám phá các tính năng của AutoML

  • Các khả năng cơ bản của các khung AutoML
  • Tối ưu hóa tham số siêu và các chiến lược tìm kiếm
  • Giải thích kết quả và nhật ký của AutoML

AutoML chọn thuật toán như thế nào

  • Gradient Boosting Machines (GBMs), Random Forests, GLMs
  • Mạng nơron và các nền tảng học sâu
  • Thương đổi: độ chính xác, khả năng giải thích và chi phí

Chuẩn bị và tiền xử lý dữ liệu

  • Làm việc với dữ liệu số và phân loại
  • Các chiến lược tạo đặc trưng và mã hóa
  • Xử lý giá trị thiếu và dữ liệu mất cân bằng

AutoML cho các loại dữ liệu khác nhau

  • Dữ liệu bảng (H2O AutoML, auto-sklearn, TPOT)
  • Dữ liệu chuỗi thời gian (dự báo và mô hình hóa tuần tự)
  • Các nhiệm vụ văn bản và NLP (phân loại, phân tích cảm xúc)
  • Phân loại hình ảnh và tính toán máy tính (Auto-Keras, TensorFlow, PyTorch)

Triển khai và theo dõi mô hình

  • Xuất và triển khai các mô hình AutoML
  • Xây dựng pipeline cho dự đoán thời gian thực
  • Theo dõi sự thay đổi mô hình và các chiến lược huấn luyện lại

Ensembling và các chủ đề nâng cao

  • Stacking và blending các mô hình AutoML
  • Các vấn đề về riêng tư và tuân thủ quy định
  • Tối ưu hóa chi phí cho AutoML quy mô lớn

Giải quyết vấn đề và các nghiên cứu trường hợp

  • Các lỗi thường gặp và cách sửa chúng
  • Giải thích hiệu suất mô hình AutoML
  • Các nghiên cứu trường hợp từ các ứng dụng công nghiệp

Tổng kết và các bước tiếp theo

Yêu cầu

  • Kinh nghiệm với các thuật toán học máy
  • Kinh nghiệm lập trình Python hoặc R

Đối tượng

  • Chuyên gia phân tích dữ liệu
  • Khoa học dữ liệu
  • Kỹ sư dữ liệu
  • Lập trình viên
 14 Giờ học

Số người tham gia


Giá cho mỗi người tham gia

Các khóa học sắp tới

Các danh mục liên quan