Plan du cours

Introduction

Mise en place d'un environnement de travail

Installation H2O

Anatomie d'un flux de travail Machine Learning standard

  • Prétraitement des données, ingénierie des fonctionnalités, déploiement, etc.

Algorithmes statistiques et Machine Learning algorithmes

  • Machines à gradient boosté, modèles linéaires généralisés, apprentissage profond, etc.

Comment H2O automatise le flux de travail Machine Learning

  • Classification binaire, régression, etc.

Étude de cas : Prévision de la disponibilité des produits

Téléchargement d'un ensemble de données

Construction d'un modèle Machine Learning

Spécifier un cadre d'entraînement

Entraînement et validation croisée de différents modèles

Réglage des hyperparamètres

Entraînement de deux modèles d'ensemble empilés

Générer un classement des meilleurs modèles

Inspection de la composition de l'ensemble

Formation de nombreux modèles de réseaux neuronaux profonds

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Expérience de travail avec des modèles d'apprentissage automatique.
  • Python ou expérience en programmation R.

Audience

  • Data scientists
  • Analystes de données
  • Experts en la matière (experts de domaine)
 14 heures

Nombre de participants



Prix par participant

Catégories Similaires