Projekt końcowy
Końcowy projekt daje Ci szansę przetestowania wiedzy z bootcampu i nowo nabytych umiejętności w dynamicznym, praktycznym środowisku. To szansa na stworzenie czegoś prawdziwego, zaprezentowanie swoich umiejętności technicznych i opracowanie projektu, który będzie kluczową częścią Twojego zawodowego portfolio. Pozwala wyrazić swoją kreatywność i podkreślić, jak bardzo ewoluowałeś podczas całego doświadczenia na bootcampie.
Ponadto ostateczny projekt ma na celu odtworzenie wyzwań, jakie napotkasz w prawdziwej pracy technologicznej, umożliwiając zaprezentowanie umiejętności rozwiązywania złożonych problemów i przygotowując Cię do oczekiwań związanych z przyszłą karierą.
- Identyfikacja problemu: Wybierz rzeczywisty problem, odpowiedni dla Twojej branży lub obszaru zainteresowań. Jasno zdefiniuj zakres i cele projektu, podkreślając, w jaki sposób zaawansowane techniki głębokiego uczenia się mogą ulepszyć rozwiązanie.
- Zbieranie i wstępne przetwarzanie danych: Zbieraj dane z różnych źródeł, czyść je i wstępnie przetwarzaj w celu obsługiwać brakujące wartości, wartości odstające i niespójności. Upewnij się, że dane nadają się do modeli głębokiego uczenia się, w tym w razie potrzeby normalizacji i wzmacniania.
- Eksploracyjna analiza danych (EDA): Przeprowadź wizualizację danych i analizę statystyczną w celu zidentyfikowania trendów, korelacji, i spostrzeżenia. Udoskonal kierunek swojego projektu w oparciu o ustalenia EDA, biorąc pod uwagę przydatność dla architektur głębokiego uczenia się, takich jak CNN, RNN lub transformatory.
- Budowanie i ocena modelu: Twórz i trenuj modele uczenia maszynowego, obejmujących zaawansowane techniki głębokiego uczenia się, takie jak konwolucyjne sieci neuronowe (CNN) dla danych obrazu, rekurencyjne sieci neuronowe (RNN) lub LSTM dla szeregów czasowych lub danych sekwencyjnych, lub modele transformatorów do zadań NLP. Oceń wydajność modelu za pomocą wskaźników takich jak dokładność, precyzja, przypominanie lub AUC i zastosuj dostrajanie hiperparametrów, aby zoptymalizować modele głębokiego uczenia się.
- Wdrożenie i prezentacja: Wdróż ostateczny model za pomocą platform internetowych, API czy usługi w chmurze, zapewniające skalowalność modeli głębokiego uczenia się. Przedstaw swoje ustalenia, wyniki modelu oraz wpływ na biznes lub świat rzeczywisty interesariuszom w profesjonalnym otoczeniu.