Основы машинного обучения — информатика: 10 и 24 июня.

Доктор Джон Крон | Главный специалист по данным, неиспользованный | Автор Deep Learning Illustrated

Эти занятия по информатике знакомят с наиболее важными темами информатики для машинного обучения, позволяя вам разрабатывать и развертывать модели данных, эффективные в вычислительном отношении. Темы включают:

  • Использование нотации «Большой O» для характеристики временной и пространственной эффективности данного алгоритма.
  • Знакомство со всем спектром наиболее распространенных структур данных Python.
  • Развитие понимания всех основных алгоритмов работы с данными.
  • И больше!

Основы НЛП в Python: 15 июня.

Мэтт Бремс | Выдающийся факультет | Генеральная Ассамблея

Мы начнем с определения обработки естественного языка и изучения его использования. Вы узнаете, как НЛП предвзято и как активно уменьшать предвзятость. Мы поймем процесс решения проблем NLP, включая очистку текстовых данных и их преобразование, чтобы мы могли строить модели с текстовыми данными. Мы рассмотрим векторизаторы, гиперпараметры и конвейеры. Вы уйдете с полным пониманием того, как решить проблему НЛП.

Учебные занятия по науке о данных по требованию:

  • Масштабируемое машинное обучение с использованием PySpark
  • Прикладное НЛП 1: обзор от основ до современного НЛП
  • Прикладное НЛП 2: современное НЛП в деталях, от теории к действию
  • Прикладной НЛП 3: НЛП в производстве с помощью веб-приложений, автоматизированных конвейеров и API
  • Глубокое обучение для компьютерного зрения с помощью Python и Keras (TensorFlow 2.0)
  • Введение в НЛП и разговорный ИИ: от новичка до эксперта с иллюстрациями и практическими примерами
  • Введение в базу данных NoSQL: MongoDB
  • Геометрическое обучение НЛП
  • Кибербезопасность для специалистов по машинному обучению

Прогноз на июль 2021 года:

Прогнозирование временных рядов с помощью Python — 13 июля.

Марта Маркевич | руководитель отдела науки о данных | Объективность

Этот курс знакомит пользователей с наиболее известными и широко используемыми решениями для прогнозирования временных рядов, объясняя их преимущества и недостатки вместе с советами и рекомендациями по использованию модели, подходящей для цели.

Обучение с подкреплением для игр и не только:20 июля.

Амита Капур | доцент | Университет Дели

В этом интерактивном обучении вы познакомитесь с некоторыми из самых популярных и успешных алгоритмов DRL. Мы начнем с введения в различные парадигмы обучения и то, чем они отличаются от DRL. Будут рассмотрены два основных метода RL: методы на основе значений и методы на основе политик.

Подпишитесь на Ai+ прямо сейчас, чтобы получить доступ к этому увлекательному интерактивному тренингу по науке о данных

Все предстоящие онлайн-тренинги и материалы по запросу доступны тем, кто подписался на платформу обучения Ai+. Подпишитесь здесь и учитесь у экспертов!