บทสรุป

การออกแบบ Machine Learning Workflows ด้วย Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

บทสรุป

  • ทบทวน supervised learning pipeline:
    • feature engineering
    • การ fit โมเดล
    • การเลือกโมเดล
  • ความเสี่ยงของการ overfit
  • Data fusion
  • Noisy label และ heuristics
  • ฟังก์ชัน loss:
    • ต้นทุนของ false positive เทียบกับ false negative
การออกแบบ Machine Learning Workflows ด้วย Python

บทสรุป

  • Unsupervised learning:
    • การตรวจจับความผิดปกติ (anomaly detection)
    • การตรวจจับสิ่งใหม่ (novelty detection)
    • distance metric
    • ข้อมูลไม่มีโครงสร้าง (unstructured data)
  • กรณีใช้งานจริง:
    • ความปลอดภัยทางไซเบอร์
    • การแพทย์
    • ธนาคารรายย่อย
การออกแบบ Machine Learning Workflows ด้วย Python

ยินดีด้วย!

การออกแบบ Machine Learning Workflows ด้วย Python

Preparing Video For Download...