Programa do Curso

Introdução

Criação de um ambiente de trabalho

Visão geral das caraterísticas de AutoML

Como AutoML explora os algoritmos

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

Resolução de problemas por caso de utilização

Resolução de problemas por tipo de dados de treino

Considerações sobre a privacidade dos dados

Considerações sobre custos

Preparação de dados

Trabalhar com dados numéricos e categóricos

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

Trabalhar com dados dependentes do tempo (dados de séries temporais)

Classificação de texto em bruto

Classificação de dados de imagens em bruto

  • Deep Learning e pesquisa de arquitetura neural (TensorFlow, PyTorch, Auto-Keras, etc.)

Implementação de um método AutoML

Um olhar sobre os algoritmos dentro de AutoML

Agrupando diferentes modelos

Resolução de problemas

Resumo e conclusão

Requisitos

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

Público

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

Número de participantes


Preço por participante

Próximas Formações Provisórias