Podsumowanie

Projektowanie przepływów pracy uczenia maszynowego w Pythonie

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Podsumowanie

  • Przypomnienie potoków uczenia nadzorowanego:
    • inżynieria cech
    • dopasowanie modelu
    • selekcja modelu
  • Ryzyko przeuczenia
  • Fuzja danych
  • Zaszumione etykiety i heurystyki
  • Funkcje straty
    • koszt fałszywych alarmów vs koszt fałszywych odrzuceń
Projektowanie przepływów pracy uczenia maszynowego w Pythonie

Podsumowanie

  • Uczenie nienadzorowane:
    • wykrywanie anomalii
    • wykrywanie nowości
    • metryki odległości
    • dane nieustrukturyzowane
  • Przypadki użycia w praktyce:
    • cyberbezpieczeństwo
    • opieka zdrowotna
    • bankowość detaliczna
Projektowanie przepływów pracy uczenia maszynowego w Pythonie

Gratulacje!

Projektowanie przepływów pracy uczenia maszynowego w Pythonie

Preparing Video For Download...