Applications of AI for Anomaly Detection

Applications of AI for Anomaly DetectionAAADNVNvidiaNV-AAAD1.0<ul> <li>Aufbereitung von Daten und Erstellung, Training und Bewertung von Modellen mit XGBoost, Autoencodern und GANs</li><li>Erkennung von Anomalien in Datensätzen mit beschrifteten und nicht beschrifteten Daten</li><li>Klassifizierung von Anomalien in mehrere Kategorien, unabhängig davon, ob die ursprünglichen Daten mit Etiketten versehen waren</li></ul><ul> <li>Professionelle Erfahrung in der Datenwissenschaft mit Python</li><li>Erfahrung im Training von tiefen neuronalen Netzen</li></ul>Einführung <ul> <li>Treffen Sie den Ausbilder.</li><li>Erstellen Sie ein Konto unter courses.nvidia.com/join</li></ul>Erkennung von Anomalien in Netzwerkdaten mit GPU-beschleunigtem XGBoost <ul> <li>Lernen Sie, wie man mit überwachtem Lernen Anomalien erkennt:<ul> <li>Vorbereitung von Daten für die GPU-Beschleunigung unter Verwendung des bereitgestellten Datensatzes.</li><li>Trainieren Sie einen binären und mehrklassigen Klassifikator mit dem beliebten Algorithmus für maschinelles Lernen XGBoost.</li><li>Bewerten und verbessern Sie die Leistung Ihres Modells vor dem Einsatz.</li></ul></li></ul>Erkennung von Anomalien in Netzwerkdaten mit GPU-beschleunigtem Autoencoder <ul> <li>Lernen Sie, wie man mit modernem unüberwachten Lernen Anomalien erkennt:<ul> <li>Erstellen und trainieren Sie einen auf Deep Learning basierenden Autoencoder für die Arbeit mit unbeschrifteten Daten.</li><li>Anwendung von Techniken zur Trennung von Anomalien in mehrere Klassen.</li><li>Erforschen Sie andere Anwendungen von GPU-beschleunigten Autokodierern.</li></ul></li></ul>Projekt: Erkennung von Anomalien in Netzwerkdaten mit GANs <ul> <li>Lernen Sie, wie Sie mit GANs Anomalien erkennen können:<ul> <li>Trainieren Sie ein unüberwachtes Lernmodell, um neue Daten zu erstellen.</li><li>Verwenden Sie diese neuen Daten, um das Problem in ein Problem des überwachten Lernens umzuwandeln.</li><li>Vergleichen Sie die Leistung dieses neuen Konzepts mit etablierten Ansätzen.</li></ul></li></ul>Bewertung und Fragen und AntwortenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <a class="fl-href-prod" href="/swisscom/en/course/nvidia-aaad"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a>.- Aufbereitung von Daten und Erstellung, Training und Bewertung von Modellen mit XGBoost, Autoencodern und GANs - Erkennung von Anomalien in Datensätzen mit beschrifteten und nicht beschrifteten Daten - Klassifizierung von Anomalien in mehrere Kategorien, unabhängig davon, ob die ursprünglichen Daten mit Etiketten versehen waren- Professionelle Erfahrung in der Datenwissenschaft mit Python - Erfahrung im Training von tiefen neuronalen NetzenEinführung - Treffen Sie den Ausbilder. - Erstellen Sie ein Konto unter courses.nvidia.com/join Erkennung von Anomalien in Netzwerkdaten mit GPU-beschleunigtem XGBoost - Lernen Sie, wie man mit überwachtem Lernen Anomalien erkennt: - Vorbereitung von Daten für die GPU-Beschleunigung unter Verwendung des bereitgestellten Datensatzes. - Trainieren Sie einen binären und mehrklassigen Klassifikator mit dem beliebten Algorithmus für maschinelles Lernen XGBoost. - Bewerten und verbessern Sie die Leistung Ihres Modells vor dem Einsatz. Erkennung von Anomalien in Netzwerkdaten mit GPU-beschleunigtem Autoencoder - Lernen Sie, wie man mit modernem unüberwachten Lernen Anomalien erkennt: - Erstellen und trainieren Sie einen auf Deep Learning basierenden Autoencoder für die Arbeit mit unbeschrifteten Daten. - Anwendung von Techniken zur Trennung von Anomalien in mehrere Klassen. - Erforschen Sie andere Anwendungen von GPU-beschleunigten Autokodierern. Projekt: Erkennung von Anomalien in Netzwerkdaten mit GANs - Lernen Sie, wie Sie mit GANs Anomalien erkennen können: - Trainieren Sie ein unüberwachtes Lernmodell, um neue Daten zu erstellen. - Verwenden Sie diese neuen Daten, um das Problem in ein Problem des überwachten Lernens umzuwandeln. - Vergleichen Sie die Leistung dieses neuen Konzepts mit etablierten Ansätzen. Bewertung und Fragen und AntwortenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag500.00500.00500.00500.00500.00420.00500.00690.00