Záverečný projekt
Záverečný projekt vám dáva šancu otestovať svoje vedomosti a novonadobudnuté zručnosti z bootcampu v dynamickom, praktickom prostredí. Je to príležitosť vytvoriť niečo skutočné, predviesť svoje technické schopnosti a vytvoriť projekt, ktorý bude kľúčovou súčasťou vášho profesionálneho portfólia. Umožňuje vám prejaviť svoju kreativitu a zdôrazniť, ako veľmi ste sa počas svojho bootcampu vyvinuli.
Okrem toho je konečný projekt navrhnutý tak, aby zopakoval výzvy, s ktorými sa stretnete v skutočnej technickej práci, čo vám umožní predviesť svoje zručnosti pri riešení zložitých problémov a vybaví vás očakávaniami vašej budúcej kariéry.
- Identifikácia problému: Vyberte si skutočný problém relevantný pre vaše odvetvie alebo oblasť záujmu. Jasne definujte rozsah a ciele projektu a zdôraznite, ako by pokročilé techniky hlbokého učenia mohli zlepšiť riešenie.
- Zber a predbežné spracovanie údajov: Zhromažďujte údaje z rôznych zdrojov, vyčistite ich a predspracujte zvládnuť chýbajúce hodnoty, odľahlé hodnoty a nezrovnalosti. Uistite sa, že údaje sú vhodné pre modely hlbokého učenia, vrátane normalizácie a rozšírenia, ak je to potrebné.
- Exploratory Data Analysis (EDA): Vykonajte vizualizáciu údajov a štatistickú analýzu na identifikáciu trendov, korelácií, a postrehy. Upravte smerovanie svojho projektu na základe zistení EDA a zároveň zvážte vhodnosť pre architektúry hlbokého učenia, ako sú CNN, RNN alebo transformátory.
- Vytváranie a hodnotenie modelov: Vyvíjajte a trénujte modely strojového učenia, zahŕňajúce pokročilé techniky hlbokého učenia, ako sú konvolučné neurónové siete (CNN) pre obrazové údaje, rekurentné neurónové siete (RNN) alebo LSTM pre časové rady alebo sekvenčné údaje alebo modely transformátorov pre úlohy NLP. Vyhodnoťte výkonnosť modelu pomocou metrík, ako sú presnosť, presnosť, zapamätanie alebo AUC, a použite ladenie hyperparametrov na optimalizáciu modelov hlbokého učenia.
- Nasadenie a prezentácia: Nasaďte konečný model pomocou webových rámcov., API alebo cloudové služby, ktoré zaisťujú škálovateľnosť pre modely hlbokého učenia. Prezentujte svoje zistenia, výkonnosť modelu a vplyv na podnikanie alebo skutočný svet zainteresovaným stranám v profesionálnom prostredí.