Szkolenie H2O AutoML – automatyczne uczenie maszynowe

Szkolenie koncentruje się na praktycznym wykorzystaniu platformy H2O AutoML do automatyzacji procesów uczenia maszynowego. Podczas intensywnych warsztatów uczestnicy poznają możliwości automatycznego tworzenia i optymalizacji modeli machine learning. Program łączy teorię z praktyką, umożliwiając samodzielne przeprowadzenie procesu budowy modeli od przygotowania danych po wdrożenie. Zajęcia prowadzone są w formie warsztatowej z wykorzystaniem rzeczywistych przypadków użycia.

• Analitycy danych rozpoczynający pracę z rozwiązaniami AutoML
• Programiści chcący poszerzyć kompetencje o uczenie maszynowe
• Specjaliści data science poszukujący sposobów automatyzacji procesów ML
• Eksperci business intelligence zainteresowani nowoczesnymi narzędziami analitycznymi
• Architekci rozwiązań pracujący z systemami uczenia maszynowego
• Inżynierowie ML dążący do optymalizacji procesu tworzenia modeli
• Specjaliści ds. analizy danych z podstawową znajomością ML

1. Wprowadzenie do H2O AutoML
• Architektura i komponenty platformy H2O
• Przegląd funkcjonalności AutoML
• Porównanie z innymi rozwiązaniami AutoML
• Przypadki użycia i scenariusze zastosowań
2. Przygotowanie środowiska i danych
• Instalacja i konfiguracja H2O
• Integracja z popularnymi narzędziami analitycznymi
• Techniki przygotowania i czyszczenia danych
• Strategie podziału danych na zbiory
3. Automatyzacja procesu uczenia
• Konfiguracja parametrów AutoML
• Wybór algorytmów i strategii uczenia
• Strojenie hiperparametrów
• Monitorowanie procesu uczenia
4. Ocena i wdrażanie modeli
• Interpretacja wyników i metryk
• Techniki walidacji modeli
• Eksport i wdrażanie modeli
• Monitorowanie wydajności w produkcji

Uczestnik będzie potrafił samodzielnie przygotować środowisko H2O AutoML do pracy z własnymi zbiorami danych. Zdobędzie umiejętność efektywnego wykorzystania automatycznych procesów uczenia maszynowego w projektach analitycznych. Pozna zaawansowane techniki optymalizacji i strojenia modeli machine learning. Nauczy się interpretować wyniki i metryki modeli oraz podejmować decyzje o ich wdrożeniu. Opanuje metody monitorowania i utrzymania modeli w środowisku produkcyjnym. Będzie umiał zidentyfikować przypadki użycia, w których AutoML może przynieść największe korzyści.

• Podstawowa znajomość koncepcji uczenia maszynowego
• Doświadczenie w pracy z danymi i ich analizie
• Znajomość podstaw programowania
• Umiejętność pracy z bibliotekami analitycznymi

• Architektura i komponenty platformy H2O AutoML
• Strategie przygotowania i przetwarzania danych
• Automatyzacja procesu uczenia maszynowego
• Techniki strojenia hiperparametrów
• Walidacja i ocena modeli
• Interpretacja wyników i metryk
• Eksport i wdrażanie modeli
• Monitorowanie wydajności
• Optymalizacja procesów ML
• Integracja z istniejącymi systemami
• Najlepsze praktyki AutoML
• Przypadki użycia w rzeczywistych projektach