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
Pendahuluan dan Pengaturan Lingkungan
- Apa itu AutoML dan mengapa penting
- Menyiapkan lingkungan Python dan R
- Mengonfigurasi desktop jarak jauh dan lingkungan cloud
Menjelajahi Fitur AutoML
- Kualitas inti kerangka kerja AutoML
- Optimasi dan strategi pencarian hiperparameter
- Menyusun ulang output dan log AutoML
Cara AutoML Memilih Algoritma
- Mesin Pembelajaran Gradien (GBMs), Random Forests, GLMs
- Jaringan saraf dan backend pembelajaran mendalam
- Perbandingan: akurasi vs. interpretabilitas vs. biaya
Persiapan dan Praprosesan Data
- Bekerja dengan data numerik dan kategorikal
- Strategi pemrosesan fitur dan penyandian
- Menanganani nilai yang hilang dan ketidakseimbangan data
AutoML untuk Tipe Data Berbeda
- Data tabel (H2O AutoML, auto-sklearn, TPOT)
- Data seri waktu (ramalan dan pemodelan sekuen)
- Tugas teks dan NLP (klasifikasi, analisis sentimen)
- Klasifikasi gambar dan komputer vision (Auto-Keras, TensorFlow, PyTorch)
Deploy dan Pemantauan Model
- Mengekspor dan mengimplementasikan model AutoML
- Membangun pipeline untuk prediksi waktu nyata
- Memantau drift model dan strategi retraining
Ensembling dan Topik Lanjut
- Menumpuk dan mencampur model AutoML
- Pertimbangan privasi dan keterangan
- Optimisasi biaya untuk AutoML skala besar
Penyelesaian Masalah dan Studi Kasus
- Kesalahan umum dan cara memperbaikinya
- Menyusun ulang kinerja model AutoML
- Studi kasus dari penggunaan industri
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pengalaman dengan algoritma pembelajaran mesin
- Pengalaman pemrograman Python atau R
Peserta
- Analis data
- Ilmuwan data
- Insinyur data
- Pengembang
14 Jam
