Programa do Curso

Introdução

Configurando um ambiente de trabalho

Visão geral de AutoML recursos

Como AutoML explora algoritmos

  • Máquinas de Gradient Boosting (GBMs), Random Forests, GLMs, etc.

Resolvendo problemas por caso de uso

Resolvendo problemas por tipo de dados de treinamento

Considerações sobre privacidade de dados

Considerações de custo

Preparando Dados

Trabalhando com dados numéricos e categóricos

  • Dados tabulares IID (H2O AutoML, auto-sklearn, TPOT)

Trabalhando com dados dependentes de tempo (dados de série temporal)

Classificação de texto bruto

Classificação de dados de imagem bruta

  • Deep Learning e Arquitetura Neural Search (TensorFlow, PyTorch, Auto-Keras, etc.)

Implantando um método AutoML

Uma olhada nos algoritmos internos AutoML

Reunindo Modelos Diferentes

Solução de problemas

Resumo e conclusão

Requisitos

  • Experiência com algoritmos de aprendizagem automática.
  • Python ou experiência em programação R.

Público

  • Analistas de dados
  • Cientistas de dados
  • Engenheiros de dados
  • Desenvolvedores
 14 horas

Número de participantes


Preço por participante