Auto-sklearn – automatyczne uczenie maszynowe

Opis

Szkolenie zapewnia praktyczne wprowadzenie do Auto-sklearn, zaawansowanego narzędzia automatyzującego proces uczenia maszynowego w ekosystemie scikit-learn. Program warsztatowy umożliwia uczestnikom poznanie mechanizmów automatycznego doboru algorytmów i strojenia parametrów. Zajęcia łączą teorię z intensywną praktyką, pozwalając na samodzielne przeprowadzenie projektów ML od koncepcji po wdrożenie.

Profil uczestnika

• Analitycy danych pracujący w środowisku Python
• Programiści chcący rozszerzyć kompetencje o AutoML
• Specjaliści machine learning poszukujący automatyzacji
• Inżynierowie danych zainteresowani optymalizacją procesów ML
• Naukowcy pracujący z danymi
• Data scientists dążący do przyspieszenia pracy
• Eksperci dziedzinowi wdrażający rozwiązania ML

Agenda

1. Wprowadzenie do Auto-sklearn
• Architektura i zasady działania
• Integracja z scikit-learn
• Porównanie z innymi narzędziami AutoML
• Przypadki zastosowań
2. Przygotowanie środowiska i danych
• Konfiguracja Auto-sklearn
• Strategie przygotowania danych
• Formaty wejściowe i wyjściowe
• Zarządzanie zasobami
3. Automatyzacja procesu modelowania
• Konfiguracja przestrzeni przeszukiwania
• Strategie optymalizacji
• Meta-uczenie
• Ensemble learning
4. Wdrażanie i utrzymanie modeli
• Eksport i serializacja modeli
• Integracja z systemami produkcyjnymi
• Monitorowanie wydajności
• Aktualizacja i konserwacja

Korzyści

Uczestnik rozwinie umiejętność efektywnego wykorzystania Auto-sklearn w projektach uczenia maszynowego. Zdobędzie wiedzę pozwalającą na automatyzację procesów doboru i strojenia algorytmów ML. Nauczy się optymalizować proces tworzenia modeli predykcyjnych z wykorzystaniem meta-uczenia. Pozna techniki tworzenia i zarządzania zespołami modeli. Będzie potrafił wdrażać i monitorować rozwiązania AutoML w środowisku produkcyjnym. Opanuje metody integracji Auto-sklearn z istniejącymi systemami analitycznymi.

Wymagane przygotowanie uczestników

• Znajomość podstaw uczenia maszynowego
• Doświadczenie w programowaniu w Python
• Umiejętność pracy z biblioteką scikit-learn
• Podstawowa wiedza statystyczna

Zagadnienia

• Architektura i komponenty Auto-sklearn
• Meta-uczenie i transfer wiedzy
• Automatyczna selekcja modeli
• Optymalizacja hiperparametrów
• Ensemble learning
• Strategie przeszukiwania przestrzeni
• Techniki preprocessingu danych
• Walidacja i ocena modeli
• Serializacja i wdrażanie
• Monitorowanie wydajności
• Integracja z systemami produkcyjnymi
• Najlepsze praktyki AutoML

Poznaj naszą firmę