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 (3)
The details and the presentation style.
Cristian Mititean - Accenture Industrial SS
Curso - Azure Machine Learning (AML)
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
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete