Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Machine Learning Algoritmer i Julia
Inledande begrepp
- Övervakat och oövervakat lärande Korsvalidering och modellval Bias/varians avvägning
Linjär & logistisk regression
(NaiveBayes & GLM)
- Introduktionsbegrepp Anpassa linjära regressionsmodeller Modelldiagnostik Naive Bayes Anpassa en logistisk regressionsmodell Modelldisgnostik Modellvalsmetoder
Avstånd
- Vad är ett avstånd? Euklidiskt stadsblock cosinuskorrelation Mahalanobis Hamming MAD RMS Medelkvadratavvikelse
Dimensionalitetsreduktion
- Principal Component Analysis (PCA) Linjär PCA Kernel PCA Probabilistisk PCA Oberoende CA
Grundläggande begrepp för regularisering Ridge-regression Lasso-regression Principal component regression (PCR)
- Klustring
K-medel K-medoider DBSCAN Hierarkisk klustring Markov Cluster Algoritm Fuzzy C-medel klustring
- Standardmodeller för maskininlärning
(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM-paket)
Gradientförstärkande koncept K närmaste grannar (KNN) Beslutsträdmodeller Slumpmässiga skogsmodeller XGboost EvoTrees Support vektormaskiner (SVM)
- Artificiellt nervsystem
(Fluxpaket)
Stokastisk gradientnedstigning och strategier Flerskiktsperceptroner framåt och bakåt-utbredning Regularisering Återkommande neurala nätverk (RNN) Konvolutionella neurala nätverk (Convnets) Autokodare Hyperparametrar
Krav
Denna kurs är avsedd för personer som redan har en bakgrund inom datavetenskap och statistik.
21 timmar