Python per l'apprendimento automatico - corso RUB 49.990. da Specialista, formazione, Data: 27 novembre 2023.

Il corso si concentra sull'uso di Python per le tecnologie di machine learning. Vengono studiate le principali librerie utilizzate nel machine learning e le modalità per il loro utilizzo.
Il corso è tenuto sulla base delle librerie di machine learning Scikit-Learn e TensorFlow. Durante il processo di apprendimento, vengono utilizzati attivamente gli strumenti di sviluppo Jupyter Notebook e Jupyter-Lab. Vengono utilizzate anche le risorse di cloud computing di Google Colab.
Il corso è consigliato a programmatori Python e specialisti di data science.

Imparerai:
applicare tecnologie di apprendimento automatico;
utilizzare modelli di classificazione, regressione e clustering;
utilizzare metodi di preelaborazione dei dati e coperture di machine learning;
selezionare modelli di machine learning in base alla qualità del loro lavoro;
approfondisci la tua conoscenza di Python, padroneggia strumenti moderni per lo sviluppo di modelli di machine learning.

Modulo 1. Enunciazione del problema dell'apprendimento automatico (2 ac. H.)

Tre tipi di apprendimento automatico.
Schema per la costruzione di sistemi di apprendimento automatico.
Strumenti necessari.
Esercitati a creare un ambiente di lavoro e a utilizzare Anaconda e Jupyter Notebook.
Modulo 2. Formazione con un insegnante. Problema di classificazione (6 ak. H.)
Il concetto di rete neurale.
Percettrone. Definizione, implementazione e formazione.
Neurone lineare adattivo. Definizione, implementazione e formazione.
Metodo della discesa del gradiente.
Discesa del gradiente stocastico in un neurone lineare adattivo.
Apprendimento dinamico sui big data.
Esercitati con il modello e i set di dati Scikit-Learn.
Esercitati su Jupyter Notebook.
Modulo 3. La libreria scikit-learn, le sue caratteristiche principali (6 ac. H.)
Addestramento del percettrone.
Metodo di regressione logistica.
Supporta la macchina vettoriale.
Il metodo dei k-vicini più vicini.
Alberi decisionali.
Un insieme di alberi arbitrari.
Esercitati su Jupyter Notebook.
Modulo 4. Formazione con un insegnante. Problema di regressione (6 ak. H.)
Formazione con un insegnante. Problema di regressione.
Regressione lineare.
Metodo dei minimi quadrati.
Metodo della discesa del gradiente.
Lavorare con le emissioni. Algoritmo RANSAC().
Tecnica bootstrap per coefficienti di regressione.
Valutare la qualità del modello di regressione.
Nozioni di base sulla regressione non lineare.
Esercitati su Jupyter Notebook.
Modulo 5. Preelaborazione dei dati, selezione delle caratteristiche e dei modelli (6 ac. H.)
Gestione dei dati mancanti.
Categorie di trattamento.
Modelli di preelaborazione e addestramento.
Selezione delle caratteristiche significative.
Esplorare caratteristiche significative utilizzando foreste casuali.
Pipeline di apprendimento automatico.
Convalida incrociata e selezione del modello.
Esercitati su Jupyter Notebook.
Modulo 6. Imparare senza insegnante. Analisi dei cluster (6 aC. H.)
K-significa metodo.
Analisi del componente principale.
Analisi discriminante lineare.
Clustering gerarchico.
Clustering per densità.
Esercitati su Jupyter Notebook.
Modulo 7. Fondamenti di deep learning (8 ac. H.)
Grafi e calcolo distribuito.
Installazione di Tensorflow.
Tensori.
Set di dati.
Interfaccia dell'applicazione (API) Keras.
Regressione lineare con discesa del gradiente stocastico.
Classificazione mediante rete neurale a due strati dei dati Iris.
Funzioni di attivazione degli strati neuronali.
Classificazione dei dati MNIST.
Esercitati in Google Colab.