- Що таке TensorFlow (TF). Історія TF. Архітектура TF. Компоненти TF. Відомі алгоритми, що підтримуються TF. Реалізація простого прикладу Параметри для завантаження даних у TF.Створення конвеєра TF. Встановлення TensorFlow на RPi у віртуальному середовищі. Встановлення TensorFlow безпосередньо на ОС Raspbian.
- Встановлення Anaconda. Створення .yml-файла для встановлення залежностей. Запуск блокнота Jupyter. Можливості додатка Jupyter Використання блокнота Jupyter. Встановлення блокнота Jupyter за допомогою AWS для роботи в хмарі.
- Що таке тензор, представлення тензора. Типи тензора. Створення тензора n-вимірності. Форми тензора. Типи даних. Створення оператора. Корисні оператори Змінні. Заповнювач. Сесія. Граф. TensorBoard як інтерфейс для розуміння, налагодження і оптимізації моделі. Приклади використання TensorBoard.
- Що таке Pandas і чому ми його використовємо. Встановлення Pandas. Кадр даних і серія. Створення кадру даних. Діапазон дат. Перевірка даних. Фрагмент даних. Видалення стовпця даних. Об’єднання (контатенція) даних. Імпорт даних CSV за допомогою Pandas.read_csv().
- Поняття лінійної регресії. Тренування моделі лінійної регресії. Тренувати моделі за допомогою Тренування з використанням Pandas. Рішення за допомогою оцінювача Numpy. Рішення з TensorFlow. Зведена статистика. Facets Overview для огляду набору даних. Facets Deep Dive для окремих фрагментів даних. Встановлення Facets. Побудова матриці кореляції. Використання Facets Deep Dive. API оцінювачів TensorFlow. Удосконалення моделі: врахування взаємодії.
- Як працює бінарний класифікатор. Вимірювання продуктивності лінійного класифікатора. Точність та чутливість. Лінійний класифікатор з TF (імпорт даних, перетворення даних, тренування класифікатора, удосконалення моделі, гіперпараметр: Lasso&Ridge). Для чого потрібні методи ядра. Що таке ядро в машинному навчанні. Типи методів ядра. Тренування ядра класифікатора з
- Що таке штучна нейронна мережа. Нейромережева архітектура. Функція втрат. Оптимізатор. Обмеження нейронної мережі. Розмір мережі. Регуляризація вагових коефіцієнтів. Випадання. Приклад нейронної мережі в TF. Тренування нейронної мережі з TF. Конволюційна нейромережа. Архітектура конволюційної нейронної мережі (CNN). Компоненти CNN. Тренування CNN за допомогою TF. Як працює автокодер. Приклад складеного автокодера. Створення автокодера з TF. Попередня обробка зображень. Встановлення оцінювача набору даних. Що таке RNN. Застосування RNN. Обмеження RNN. Поліпшення LSTM. RNN у часових рядах. Створення RNN для прогнозування часових рядів з TensorFlow.