Kursplan
Introduktion
Detta avsnitt ger en generell introduktion till när man bör använda 'maskininlärning', vad som bör beaktas och vad det innebär, inklusive för- och nackdelar. Datatyper (strukturerade/ostrukturerade/statiska/strömmade), giltighet/volym av data, data driven vs användardriven analys, statistiska modeller vs maskininlärningsmodeller / utmaningar med oövervakad inlärning, bias-varians-kompromissen, iteration/utvärdering, korsvalideringsmetoder, övervakad/oövervakad/styrande inlärning.
HOVUDTEMAN
1. Förståelse av Naive Bayes
- Grundläggande koncept i Bayes-metoder
- Sannolikhet
- Sammansatt sannolikhet
- Betingad sannolikhet med Bayes sats
- Algoritmen Naive Bayes
- Klassificering med Naive Bayes
- Laplace-estimatorn
- Användning av numeriska egenskaper med Naive Bayes
2. Förståelse av beslutsträden
- Delecta et vici (Del och erövra)
- C5.0-beslutsträdsalgoritmen
- Valet av bästa uppdelning
- Besiktningsklippning av beslutsträdet
3. Förståelse av neurala nätverk
- Från biologiska till artificiella neuroner
- Aktiveringssfunktioner
- Nätverkstopologi
- Antal lager
- Riktningen för informationsflödet
- Antal noder i varje lager
- Träning av neurala nätverk med backpropagation
- Djupinlärning
4. Förståelse av stödvektormaskiner (SVM)
- Klassificering med hyperplan
- Hitta den maximala marginalen
- Fallet med linjärt separerbara data
- Fallet med icke-linjärt separerbara data
- Användning av kärnor för icke-linjära rum
5. Förståelse av klyngebildning
- Klyngebildning som en uppgift inom maskininlärning
- k-means-algoritmen för klyngebildning
- Användning av avstånd för att tilldela och uppdatera klynger
- Valet av lämpligt antal klynger
6. Mätning av prestanda för klassificering
- Arbete med data för klassificeringsprediktioner
- En närmare titt på förvirringsmatriser
- Användning av förvirringsmatriser för att mäta prestanda
- Utöver exakthet – andra mått på prestanda
- Kappa-statistiken
- Känslighet och specificitet
- Precision och recall
- F-måttet
- Visualisering av prestandakompromisser
- ROC-kurvor
- Estimering av framtida prestanda
- Holdout-metoden
- Korsvalidering
- Bootstrap-proverings
7. Inställning av standardmodeller för bättre prestanda
- Användning av caret för automatisk parameterinställning
- Skapandet av en enkel inställd modell
- Anpassning av inställningsprocessen
- Förbättring av modellprestanda med meta-lärning
- Förståelse av ensembler
- Bagging
- Boosting
- Slumpmässiga skogar (Random forests)
- Träning av slumpmässiga skogar
- Utvärdering av prestanda för slumpmässiga skogar
BITÄMÄN
8. Förståelse av klassificering med närmaste granne
- kNN-algoritmen
- Beräkning av avstånd
- Valet av en lämplig k
- Förberedelse av data för användning med kNN
- Varför är kNN-algoritmen 'lazy'?
9. Förståelse av klassificeringsregler
- Separation och erövring
- One Rule-algoritmen
- RIPPER-algoritmen
- Regler från beslutsträden
10. Förståelse av regression
- Enkel linjär regression
- Estimering med minst kvadraters metod
- Korrelationer
- Multipl linjär regression
11. Förståelse av regressionsträden och modellträden
- Tillägget av regression till träden
12. Förståelse av associationsregler
- Apriori-algoritmen för lärande av associationsregler
- Mätning av intresse för regler – support och konfidens
- Byggande av ett regelset med Apriori-principen
Extra
- Spark/PySpark/MLlib och Multi-armed bandits
Krav
Kunskaper i Python
Vittnesmål (7)
Jag uppskattade verkligen utbildningen och den djupare inblicken i maskininlärning som den gav. Jag uppskattade balansen mellan teori och praktiska tillämpningar, särskilt de praktiska kodningsövningarna. Tränaren gav engagerande exempel och välutformade övningar som förbättrade lärandet. Kursen täckte ett brett spektrum av ämnen, och Abhi visade utmärkt kompetens genom att besvara alla frågor med tydlighet och lätthet.
Valentina
Kurs - Machine Learning
Maskintolkat
Jag uppskattade övningen som hjälpte mig att förstå teorin och tillämpa den steg för steg. Såsom också sättet handledaren förklarade allt på ett enkelt och tydligt sätt. Det var lätt att följa även om jag inte är så erfaren med Python, ändå ville jag inte missa chansen att lära mig något som verkligen intresserar mig. Jag uppskattade också den mängd information som tillhandahölls och handledarens tillgänglighet att förklara och stödja oss i vår förståelse av koncepten. Efter denna kurs är maskininlärningskoncept mycket tydligare för mig, och nu känner jag att jag har en riktning och ett bättre förstånd för ämnet.
Cristina
Kurs - Machine Learning
Maskintolkat
När utbildningen var avslutad kunde jag se de praktiska användningsområdena för de ämnen som presenterats.
Daniel
Kurs - Machine Learning
Maskintolkat
Jag tyckte om tempoet, jag tyckte om balansen mellan teori och praktik, de huvudteman som behandlades och hur utbildningsledaren kunde sätta allt i perspektiv. Jag tycker också mycket om ert träningsinfrastruktur, det är väldigt praktiskt att arbeta med VM:ar
Andrei
Kurs - Machine Learning
Maskintolkat
Att hålla det kort och enkelt. Skapa intuition och visuella modeller runt koncepten (beslutsträd, linjära ekvationer, beräkna y_pred manuellt för att visa hur modellen fungerar).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maskintolkat
Det hjälpte mig att nå mitt mål med att förstå ML. Stort respekt för Pablo för att ge en ordentlig introduktion till ämnet, eftersom det blir uppenbart efter tre dagars utbildning hur omfattande detta ämne är. Jag har också njutit HUGLIGT av idén med de virtuella datorer du gett oss, vilka hade mycket bra latens! Det gjorde att varje kursdeltagare kunde göra experiment på sitt eget tempo.
Silviu - DB Global Technology
Kurs - Machine Learning
Maskintolkat
Sättet att applicera teorin på praktiken och se den förvandlas till något konkret är fantastiskt.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maskintolkat
