В данном видео рассматривается пример построение нейронной сети для автоматического процесса классификации документов построенный на библиотеке TensorFlow и Python. Пример сети выложен для использования в сети Amazon Web Services.
В первой части мы рассказываем как построить нейронную сеть для классификации.
Вторая часть объясняет создание пользовательского интерфейса на Flask.
Третья часть описывает процесс развертывания в Digital Ocean.
По вопросам обучения на курсах машинного обучения приглашаем в нашу "Школу Больших Данных"
Новый 3х-дневный практический курс по основам машинного обучения для специалистов по аналитике данных, разработчиков и руководителей, которые хотят освоить базовые понятия Machine Learning с использованием Python. "Школа Больших Данных" г. Москва
По вопросам обучения на курсах машинного обучения приглашаем в нашу «Школа Больших Данных»
Обращаться по телефону:
+7 (495) 41-41-121
+7 (995) 100-45-63
Чтобы не пропустить информацию о новых курсах, акциях и других событиях Школы Больших Данных, рекомендуем подписаться на нас в социальных сетях:
Телеграм-канал: https://t.me/BigDataSchool_ru
Facebook: https://www.facebook.com/BigDataSchoolRu/
Вконтакте: https://vk.com/bdschool_mck
LinkedIn: https://www.linkedin.com/company/bigdataschoolru/
Twitter: https://twitter.com/BigdataschoolR
Подписывайтесь и будьте в курсе всех интересных новинок мира Big Data вместе со Школой больших данных - https://www.bigdataschool.ru
Продолжительность: 3 дня, 24 академических часа.
Соотношение теории к практике 50/50
Курс Введение в машинное обучение представляет собой прикладные основы Machine Learning, включая всю необходимую теорию и практику по этой области искусственного интеллекта. В программе рассмотрено место машинного обучения в современной науке о данных (Data Science) и изложены математические основы методов Machine Learning. Приведены базовые задачи, которые могут быть решены с помощью методов машинного обучения: классификация, кластеризация, регрессионный анализ. Большое внимание уделено практическому решению задач с использованием методов машинного обучения на языке Python.
На практике вы самостоятельно создадите, обработаете и проанализируете датасет, решив задачи регрессии, классификации и кластеризации, а также создадите собственный веб-сервис на базе модели машинного обучения. В результате освоения программы курса вы овладеете основными навыками Machine Learning, необходимыми для решения базовых задач в области искусственного интеллекта.
Успешно окончив курс Введение в машинное обучение в нашем лицензированном учебном центре «Школа Больших Данных», вы получите сертификат о повышении квалификации государственного образца.
Программа курса «Введение в машинное обучение»
1. Место машинного обучения в области искусственного интеллекта
Основные понятия; классификация задач, решаемых с помощью методов машинного обучения; виды данных, понятие датасета.
Практическая часть: первичный анализ датасета, предобработка данных.
2. Задачи классификации: бинарная и множественная классификация
Определение и примеры задач классификации.
Математическое описание модели решающего дерева в задачи бинарной классификации.
Метрики бинарной классификации.
Практическая часть: решение задач бинарной и множественной классификаций.
3. Задачи регрессии
Определение и примеры задач регрессии.
Математическое описание модели линейной регрессии.
Метрики задач регрессии.
Способы регуляризации.
Практическая часть: решение задачи регрессии.
4. Задача кластеризации
Определение и примеры задач кластеризации.
Математическое описание модели kNN.
Связь кластеризации с понижением размерности пространства объектов датасета.
Практическая часть: решение задачи кластеризации и понижения размерности данных.
5. Использование моделей машинного обучения в production
Сериализация/десериализация объектов в Python, фреймворк Flask.
Практическая часть: создание веб-сервиса на фреймворке Flask.