Závěrečné poznámky

Designing Machine Learning Workflows in Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Závěrečné poznámky

  • Shrnutí pipeline řízeného učení:
    • feature engineering
    • trénování modelu
    • výběr modelu
  • Rizika přetrénování
  • Fúze dat
  • Zašuměné štítky a heuristiky
  • Ztrátové funkce
    • náklady na falešně pozitivní vs. falešně negativní výsledky
Designing Machine Learning Workflows in Python

Závěrečné poznámky

  • Neřízené učení:
    • detekce anomálií
    • detekce novinek
    • metriky vzdálenosti
    • nestrukturovaná data
  • Případy reálného použití:
    • kybernetická bezpečnost
    • zdravotnictví
    • retailové bankovnictví
Designing Machine Learning Workflows in Python

Gratulujeme!

Designing Machine Learning Workflows in Python

Preparing Video For Download...