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, etcétera.

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 de 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, etcétera).

Implementación de un método AutoML

Un vistazo a los algoritmos internos AutoML

Ensamblando 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
 14 horas

Número de participantes


Precio por participante

Próximos cursos