Programa del Curso
Introducción
Configuración de un entorno de trabajo
Descripción general de AutoML Características
Cómo AutoML explora los algoritmos
- Máquinas de aumento de gradiente (GBM), Random Forests, GLM, etc.
Resolución de problemas por caso de uso
Resolución de problemas mediante el tipo de datos de entrenamiento
Consideraciones sobre la privacidad de los datos
Consideraciones sobre los costos
Preparación de datos
Trabajar con datos numéricos y categóricos
- Datos tabulares IID (H2O AutoML, auto-sklearn, TPOT)
Trabajar con datos dependientes del tiempo (datos de series temporales)
Clasificación de texto sin formato
Clasificación de datos de imagen sin procesar
- Deep Learning y búsqueda de arquitectura neuronal (TensorFlow, PyTorch, Auto-Keras, etc.)
Implementación de un método AutoML
Un vistazo a los algoritmos que hay dentro AutoML
Ensamblaje de diferentes modelos juntos
Solución de problemas
Resumen y conclusión
Requerimientos
- Experiencia con algoritmos de aprendizaje automático.
- Python o experiencia en programación en R.
Audiencia
- Analistas de datos
- Científicos de datos
- Ingenieros de datos
- Desarrolladores
Testimonios (5)
El entrenador demostró que tiene un buen conocimiento del tema.
Marino - EQUS - The University of Queensland
Curso - Machine Learning with Python – 2 Days
Traducción Automática
Manteniéndolo corto y simple. Creación de intuición y modelos visuales alrededor de los conceptos (gráfico de árbol de decisión, ecuaciones lineales, cálculo y_pred manualmente para probar cómo funciona el modelo).
Nicolae - DB Global Technology
Curso - Machine Learning
Traducción Automática
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
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Convolution filter
Francesco Ferrara
Curso - Introduction to Machine Learning
The trainer was so knowledgeable and included areas I was interested in.