描述

本課程首先涵蓋神經網絡和TensorFlow.keras API的基礎知識。然後，我們將專注於使用SPARK擴展我們的模型，包括分布式培訓，超參數調整和推理以及同時利用MLFlow來跟蹤，版本和管理這些模型。您將應用模型可解釋性庫來解釋模型預測。此外，您將學習卷積神經網絡（CNN）和轉移學習背後的概念，並將其應用於求解圖像分類任務。我們將通過涵蓋反複的神經網絡（RNN）和基於注意力的自然語言處理（NLP）應用程序來結束課程。

期間

2整天或4個半天

目標

• 使用TensorFlow.keras構建深度學習模型
• 與HyperOPT和Spark一起調節超級參數
• 使用MLFlow跟蹤，版本和管理實驗
• 使用pandas UDFS在比例尺上進行分布推斷
• 使用Horovod擴展和火車分布的深度學習模型
• 應用模型可解釋性庫，例如Shap，以了解模型預測
• 使用CNN和轉移學習進行圖像分類任務
• 在NLP任務中使用RNN，基於注意的模型和轉移學習

先決條件

• Python/Pandas的中級經驗
• 體驗建造機器學習模型
• 熟悉Apache Spark

後勤

• Zoom是我們選擇的在線平台提供課程。Beplay体育安卓版本確保您可以訪問Zoom單擊此處。
• 一些課程還可能利用Slack進行課堂交流。請測試懈怠單擊此處。如果您難以連接到Slack，請與VPN斷開連接。
• 如果您的公司筆記本電腦有防火牆限製，我們建議您使用個人筆記本電腦進行培訓。
• 請有其中之一已安裝支持的瀏覽器。

大綱

第一天

• 神經網絡和TF.KERAS基本麵
• 通過添加數據標準化，回調，檢查點等來改善模型。
• 帶有MLFlow的軌道和版本模型
• 用熊貓UDFS分發推斷
• 用HyperOPT分布式超參數調整
• 與Horovod分布式模型培訓

第2天

• Horovod和Patastorm的分布式模型培訓
• 用石灰和塑造的模型解釋性
• 用於圖像分類和轉移學習的CNN
• 使用Databricks上服務的MLFLOW模型部署休息端點
• 水桶
• 使用自適應查詢執行（AQE）優化
• 命名實體識別（NER）的文本嵌入，RNN，基於注意的模型和轉移學習

如果您有任何疑問，請參考我們經常問的問題頁。