Kontaktirajte nas
 Trajanje 28 sati

Sadržaj kursa

Učenje sa nadzorom: klasifikacija i regresija

  • Mašinsko učenje u Python-u: uvod u scikit-learn API
    • linearna i logistička regresija
    • mašine vektorskih podrške (support vector machine)/li>
    • neuronalne mreže
    • nasumične šume (random forest)/li>
  • Postavljanje kompletnog pipeline-a za učenje sa nadzorom koristeći scikit-learn
    • rad sa fajlovima podataka
    • kompenzacija nedostajućih vrednosti
    • obrađivanje kategorijskih promenljivih
    • vizualizacija podataka

Python framework-i za primene veštačke inteligencije:

  • TensorFlow, Theano, Caffe i Keras
  • Veštačka inteligencija u velikom obimu koristeći Apache Spark: Mlib

Napredne arhitekture neuronalnih mreža

  • konvolucione neuronalne mreže za analizu slika
  • rekurentne neuronalne mreže za vremenski strukturirane podatke
  • ćelija dugog kratkoročnog pamćenja (long short-term memory)/li>

Učenje bez nadzora: klasteriranje i detekcija anomalija

  • implementacija analize glavnih komponenti (PCA) koristeći scikit-learn
  • implementacija autoenkodera u Keras-u

Praktični primeri problema koje veštačka inteligencija može rešiti (vežbe uz Jupyter beležnice), npr.:

  • analiza slika
  • prognoza kompleksnih finansijskih serija, kao što su kurs akcija
  • prepoznavanje kompleksnih obrazaca
  • prerada prirodnog jezika
  • sistemi za preporuke

Razumevanje ograničenja metoda veštačke inteligencije: načini kvara, troškovi i česti izazovi

  • previše učavanje (overfitting)/li>
  • balansiranje pristrasnosti i varijanse
  • pristrasnost u posmatranim podacima
  • otruvanje neuronalnih mreža

Rad na primenjenom projektu (opciono)/h3>

Uslovi

Nema specifičnih uslova za pohađanje ovog kursa.

Broj učesnika


Cena po učesniku

Iskustva korisnika (2)

Predstojeći kursevi

Povezane kategorije