Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
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
Vittnesmål (3)
utbildningsledarens kunskap, anpassad efter behov, alla ämnen behandlas
eleni - EUAA
Kurs - Forecasting with R
Maskintolkat
Variationen med övningar och visning.
Ida Sjoberg - Swedish National Debt Office
Kurs - Econometrics: Eviews and Risk Simulator
Maskintolkat
De verkliga tillämpningarna med Statcan och CER som exempel.
Matthew - Natural Resources Canada
Kurs - Data Analytics With R
Maskintolkat