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 Inledning
- Typer av maskininlärning – övervakad kontra oövervakad inlärning
- Från statistisk inlärning till maskininlärning
- Arbetsflödet Data Mining:
- Business Förståelse
- Förståelse för data
- Förberedelse av data
- Modellering
- Utvärdering
- Utplacering
- Algoritmer för maskininlärning
- Välja lämplig algoritm för problemet
- Avvägning mellan överanpassning och bias-varians i ML
- ML-bibliotek och programmeringsspråk
- Varför använda ett programmeringsspråk?
- Välja mellan R och Python
- Python Snabbkurs
- Python Resurser
- Python Bibliotek för maskininlärning
- Jupyter Notebooks och interaktiv kodning
- Testa ML-algoritmer
- Generalisering och överanpassning
- Undvika överanpassning
- Holdout-metod
- Korsvalidering
- Bootstrapping
- Utvärdera numeriska förutsägelser
- Mått på noggrannhet: ME, MSE, RMSE, MAPE
- Parameter- och prediktionsstabilitet
- Utvärdera klassificeringsalgoritmer
- Noggrannhet och dess problem
- Matrisen för förvirring
- Problem med obalanserade klasser
- Visualisera modellens prestanda
- Vinstkurva
- ROC-kurva
- Lyft kurva
- Val av modell
- Modelljustering – strategier för rutnätssökning
- Exempel i Python
- Förberedelse av data
- Import och lagring av data
- Förstå data – grundläggande utforskningar
- Datamanipulering med Pandas-biblioteket
- Dataomvandlingar – Datavrängning
- Undersökande analys
- Saknade observationer – upptäckt och lösningar
- Outliers – upptäckt och strategier
- Standardisering, normalisering, binarisering
- Kvalitativ omkodning av data
- Exempel i Python
- Klassificering
- Klassificering av binär kontra flera klasser
- Klassificering via matematiska funktioner
- Linjära diskriminanta funktioner
- Kvadratiska diskriminanta funktioner
- Logistisk regression och sannolikhetsanalys
- k-närmaste grannar
- Naiva Bayes
- Beslutsträd
- KÄRRA
- Uppsamlare
- Random Forests
- Öka
- Xgboost (på engelska)
- Support Vector Maskiner och kärnor
- Klassificerare för maximal marginal
- Stöd Vector Maskin
- Ensemble lärande
- Exempel i Python
- Regression och numerisk förutsägelse
- Uppskattning av minsta kvadratmetoden
- Tekniker för val av variabler
- Regularisering och stabilitet - L1, L2
- Olinjäriteter och generaliserade minsta kvadratmetoden
- Polynom regression
- Splines för regression
- Regressionsträd
- Exempel i Python
- Oövervakad inlärning
- Klustring
- Centroidbaserad klustring – k-means, k-medoider, PAM, CLARA
- Hierarkisk klustring – Diana, Agnes
- Modellbaserad klustring - EM
- Självorganiserande kartor
- Utvärdering och bedömning av kluster
- Minskning av dimensionalitet
- Principalkomponentanalys och faktoranalys
- Nedbrytning av singulära värden
- Flerdimensionell skalning
- Exempel i Python
- Klustring
- Utvinning av text
- Förbehandling av data
- Modellen med påsar med ord
- Stamning och lemmisering
- Analysera ordfrekvenser
- Analys av sentiment
- Skapa ordmoln
- Exempel i Python
- Rekommendationsmotorer och samarbetsfiltrering
- Uppgifter om rekommendationer
- Användarbaserad samarbetsfiltrering
- Objektbaserad samarbetsfiltrering
- Exempel i Python
- Utvinning av associationsmönster
- Algoritm för frekventa objektuppsättningar
- Analys av varukorgen
- Exempel i Python
- Analys av extremvärden
- Extrem värdeanalys
- Avståndsbaserad identifiering av extremvärden
- Densitetsbaserade metoder
- Identifiering av extremvärden med hög dimension
- Exempel i Python
- Machine Learning Fallstudie
- Business Problemförståelse
- Förbehandling av data
- Val och justering av algoritmer
- Utvärdering av resultaten
- Utplacering
Krav
Kunskap och medvetenhet om Machine Learning grunderna
21 timmar
Vittnesmål (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurs - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurs - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
