コース概要

はじめにと環境設定

  • AutoMLとは何か、なぜ重要なのか
  • PythonとRの環境設定
  • リモートデスクトップとクラウド環境の構成

AutoML機能の探索

  • AutoMLフレームワークのコア能力
  • ハイパーパラメータ最適化と検索戦略
  • AutoML出力とログの解釈

AutoMLがどのようにアルゴリズムを選択するか

  • グラディエントブースティングマシン(GBMs)、ランダムフォレスト、GLMs
  • ニューラルネットワークと深層学習バックエンド
  • 貿易オフ:精度対解釈可能性対コスト

データの準備と前処理

  • 数値データとカテゴリデータの取り扱い
  • 特徴量エンジニアリングとエンコーディング戦略
  • 欠損値とデータの不均衡の処理

異なるデータタイプ用のAutoML

  • テーブルデータ(H2O AutoML、auto-sklearn、TPOT)
  • 時系列データ(予測と順次モデリング)
  • テキストとNLPタスク(分類、感情分析)
  • 画像分類とコンピュータビジョン(Auto-Keras、TensorFlow、PyTorch)

モデルのデプロイと監視

  • AutoMLモデルのエクスポートとデプロイ
  • 実時間予測用のパイプライン構築
  • モデルドリフトの監視と再トレーニング戦略

エンサンブルと高度なトピック

  • AutoMLモデルのスタッキングとブレンディング
  • プライバシーとコンプライアンスの考慮事項
  • 大規模AutoMLのコスト最適化

トラブルシューティングとケーススタディ

  • 常見のエラーとその修正方法
  • AutoMLモデル性能の解釈
  • 産業ユースケースからのケーススタディ

まとめと次回のステップ

要求

  • 機械学習アルゴリズムに関する経験
  • PythonまたはRのプログラミング経験

対象者

  • データアナリスト
  • データサイエンティスト
  • データエンジニア
  • 開発者
 14 時間

参加者の人数


参加者1人あたりの価格

今後のコース

関連カテゴリー