Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pengantar ke Model Lanjutan Machine Learning
- Ulasan tentang model kompleks: Random Forest, Gradient Boosting, Neural Networks
- Kapan menggunakan model lanjutan: Praktik terbaik dan kasus penggunaan
- Pengenalan teknik pembelajaran ensemble
Penyetelan Hyperparameter dan Optimisasi
- Teknik grid search dan random search
- Mengotomatisasi penyetelan hyperparameter dengan Google Colab
- Menggunakan teknik optimisasi lanjutan (Bayesian, Algoritma Genetika)
Neural Networks dan Deep Learning
- Membangun dan melatih jaringan saraf dalam
- Pembelajaran transfer dengan model pre-trained
- Optimisasi model pembelajaran dalam untuk kinerja
Penyediaan Model
- Pengenalan strategi penyediaan model
- Menyediakan model di lingkungan cloud menggunakan Google Colab
- Inferensi real-time dan pemrosesan batch
Bekerja dengan Google Colab untuk Skala Besar Machine Learning
- Berkerjasama pada proyek pembelajaran mesin di Colab
- Menggunakan Colab untuk pelatihan distribusi dan GPU/TPU percepatan
- Integrasi dengan layanan cloud untuk pelatihan model yang dapat diskalakan
Interpretabilitas dan Penjelasan Model
- Mengkaji teknik interpretabilitas model (LIME, SHAP)
- AI penjelasan untuk model pembelajaran dalam
- Menangani bias dan keadilan di model pembelajaran mesin
Aplikasi Dunia Nyata dan Studi Kasus
- Menerapkan model lanjutan di bidang kesehatan, keuangan, dan e-commerce
- Studi kasus: Penyediaan model yang sukses
- Tantangan dan tren masa depan dalam pembelajaran mesin lanjutan
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman kuat tentang algoritma dan konsep pembelajaran mesin
- Kemahiran dalam Python pemrograman
- Pengalaman dengan Jupyter Notebooks atau Google Colab
Audience
- Ilmuwan data
- Praktisi pembelajaran mesin
- Insinyur AI
21 Jam
Testimoni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kursus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
