Kursplan

Grunder för Machine Learning

  • Introduktion till Machine Learning begrepp och arbetsflöden
  • Övervakad kontra oövervakad inlärning
  • Utvärdera maskininlärningsmodeller: mätvärden och tekniker

Bayesianska metoder

  • Naive Bayes och multinomiala modeller
  • Bayesiansk kategorisk dataanalys
  • Bayesianska grafiska modeller

Regressionstekniker

  • Linjär regression
  • Logistisk regression
  • Generaliserade linjära modeller (GLM)
  • Blandade modeller och additiva modeller

Minskning av dimensionalitet

  • Analys av huvudkomponenter (PCA)
  • Faktoranalys (FA)
  • Oberoende komponentanalys (ICA)

Klassificeringsmetoder

  • K-Närmaste grannar (KNN)
  • Stöd för vektormaskiner (SVM) för regression och klassificering
  • Boosting- och ensemblemodeller

Neural Networks

  • Introduktion till neurala nätverk
  • Tillämpningar av djupinlärning inom klassificering och regression
  • Träning och justering av neurala nätverk

Avancerade algoritmer och modeller

  • Dolda Markov-modeller (HMM)
  • Modeller för tillståndsrymd
  • EM-algoritm

Tekniker för klustring

  • Introduktion till klustring och oövervakad inlärning
  • Populära klustringsalgoritmer: K-Means, hierarkisk klustring
  • Användningsfall och praktiska tillämpningar av klustring

Sammanfattning och nästa steg

Krav

  • Grundläggande förståelse för statistik och dataanalys
  • Programming erfarenhet av R, Python eller andra relevanta programmeringsspråk

Publik

  • Datavetare
  • Statistiker
 14 timmar

Antal deltagare


Price per participant

Vittnesmål (5)

Upcoming Courses

Relaterade Kategorier