Kursplan
- Introduktion till maskininlärning Typer av maskininlärning – övervakad vs oövervakad inlärning Från statistisk inlärning till maskininlärning Arbetsflödet för datautvinning: affärsförståelse av dataförståelse Dataförberedelse Modellering Utvärdering Implementering Maskininlärningsalgoritmer Välja lämplig algoritm för problemet Överanpassning och bias-varians-avvägning i ML ML bibliotek och programmeringsspråk Varför använda ett programmeringsspråk Välja mellan R och Python Python snabbkurs Python-resurser Python-bibliotek för maskininlärning Jupyter-anteckningsböcker och interaktiv kodning Testa ML-algoritmer Generalisering och överanpassning Undvika överanpassning Holdout-metod Korsvalidering Bootstrapping Utvärdera numeriska förutsägelser Mått på numeriska förutsägelser: ME, MSE, RMSE, MAPE Parameter- och förutsägelsestabilitet Utvärdera klassificeringsalgoritmer Noggrannhet och dess problem Förvirringsmatrisen Obalanserade klassproblem Visualisering av modellprestanda Vinstkurva ROC-kurva Lyftkurva Modellval Modellinställning – rutnätssökningsstrategier Exempel i Python Dataförberedelse Dataimport och -lagring Förstå data – grundläggande utforskningar Datamanipulationer med pandorbibliotek Datatransformationer – Datatvistelse Utforskande analys Saknade observationer – upptäckt och lösningar Outliers – upptäckt och strategier Standarisering, normalisering, binarisering Kvalitativ dataomkodning Exempel i Python-klassificering Binär vs multiklassklassificering Klassificering via matematiska funktioner Linjär diskriminantfunktioner Kvadratiska diskriminantfunktioner Logistisk regression och sannolikhetsansats k-närmaste grannar Naiva Bayes Beslutsträd CART Bagging Random Forests Boosting Xgboost Support Vector Maskiner och kärnor Maximal Margin Classifier Support Vector Machine Ensembleinlärning Exempel i Python Regression och numerisk prediktion Minsta kvadrater Variabler urvalstekniker Regularisering och stabilitet- L1, L2 Icke-linjäriteter och generaliserade minsta kvadrater Polynomregression Regressionsplines Regressionsträd Exempel i Python Oövervakad inlärning Clustering Centroidbaserad klustring – k-medel, k-medoider, PAM, CLARA- Hierarkisk klustring – Diana, Agnes Model baserad klustring - EM Självorganiserande kartor Utvärdering och bedömning av kluster Dimensionalitetsreduktion Huvudkomponentanalys och faktoranalys Singular värdenedbrytning Flerdimensionell skalningsexempel i Python Textutvinning Förbearbetning av data Bag-of-words modellen Stemming och lemmisering Analysera ordfrekvenser Sentimentanalys Skapa ordmoln Exempel i Python Recommendations-motorer och kollaborativ filtrering Rekommendationsdata Användarbaserad kollaborativ filtrering Artikelbaserad kollaborativ filtrering Exempel i Python Association mönsterutvinning Frequent itemset-algoritm Marknadskorganalys Exempel i Python Outlier Analysis Extremvärdesanalys Avståndsbaserad outlier-detektionsmetod Densitet- dimensionell avvikelsedetektering Exempel i fallstudie av Python Machine Learning Affärsproblemförståelse Dataförbearbetning Algoritmval och justering Utvärdering av resultat Implementering
Krav
Kunskap och medvetenhet om Machine Learning grunder
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