Concluzii

Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Concluzii

  • Recapitulare: pipeline-uri de învățare supervizată:
    • ingineria caracteristicilor
    • antrenarea modelului
    • selecția modelului
  • Riscuri de supraajustare
  • Fuziunea datelor
  • Etichete zgomotoase și euristici
  • Funcții de pierdere
    • costul falselor pozitive vs. costul falselor negative
Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Concluzii

  • Învățare nesupervizată:
    • detectarea anomaliilor
    • detectarea noutăților
    • metrici de distanță
    • date nestructurate
  • Cazuri de utilizare reale:
    • securitate cibernetică
    • sănătate
    • banking de retail
Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Felicitări!

Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Preparing Video For Download...