Επιτηρούμενη μάθηση: από το μηδέν σε ένα επαγγελματικό έργο

Μια πλήρης και προοδευτική διαδρομή: από το βασικό λεξιλόγιο μέχρι την ανάπτυξη ενός μοντέλου. Τύπος προβλήματος, προετοιμασία δεδομένων, αλγόριθμοι ταξινόμησης και παλινδρόμησης, μετρικές και επιχειρησιακά κόστη, pipelines κατά της διαρροής δεδομένων, ερμηνευσιμότητα, ανάπτυξη και παρακολούθηση — με δέκα εργαστήρια και ένα τελικό έργο.

ΕνδιάμεσοAOA-ML-101
01

Θεμέλια: τεχνητή νοημοσύνη, Machine Learning και επιτηρούμενη μάθηση

Ελεύθερη πρόσβαση0 / 5
02

Ουσιαστικό λεξιλόγιο του Machine Learning

Ελεύθερη πρόσβαση0 / 6
03

Προσδιορισμός του τύπου προβλήματος

Ελεύθερη πρόσβαση0 / 3
04

Κύκλος ζωής ενός έργου Machine Learning

Συνδρομή0 / 2
05

Εξερευνητική ανάλυση δεδομένων (EDA)

Συνδρομή0 / 6
06

Καθαρισμός δεδομένων

Συνδρομή0 / 5
07

Μετασχηματισμός δεδομένων

Συνδρομή0 / 5
08

Διαχωρισμός δεδομένων: Εκπαίδευση, Επικύρωση, Δοκιμή

Συνδρομή0 / 4
09

Εκπαίδευση του μοντέλου

Συνδρομή0 / 3
10

Γενίκευση, overfitting και underfitting

Συνδρομή0 / 4
11

Διασταυρωμένη επικύρωση και βελτιστοποίηση υπερπαραμέτρων

Συνδρομή0 / 3
12

Αλγόριθμοι ταξινόμησης

Συνδρομή0 / 9
13

Αλγόριθμοι παλινδρόμησης

Συνδρομή0 / 7
14

Ανισόρροπα δεδομένα και επανασ δειγματοληψία

Συνδρομή0 / 3
15

Μήτρα σύγχυσης

Συνδρομή0 / 2
16

Μετρικές ταξινόμησης

Συνδρομή0 / 14
17

Μετρικές παλινδρόμησης

Συνδρομή0 / 10
18

Επιλογή μετρικής ανάλογα με το επιχειρηματικό περιβάλλον

Συνδρομή0 / 2
19

Επαγγελματικά Pipelines Scikit-learn

Συνδρομή0 / 5
20

Ερμηνευσιμότητα των μοντέλων

Συνδρομή0 / 2
21

Ανάπτυξη και παρακολούθηση σε production

Συνδρομή0 / 3
22

Συνηθισμένα λάθη και επαγγελματικό πρωτόκολλο εργασίας

Συνδρομή0 / 3
23

Εργαστήρια (10 TP)

Συνδρομή0 / 11
24

Τελικό έργο

Συνδρομή0 / 2
25

Παραρτήματα: γλωσσάριο και φύλλα αναφοράς

Συνδρομή0 / 5