Kursplan
Maskininlärning
Introduktion till Machine Learning
- Tillämpningar av maskininlärning Övervakad kontra oövervakad inlärning Maskininlärningsalgoritmer Regression Klassificering Klusterrekommendation Systemavvikelsedetektering Reinforcement Learning
Regression
- Enkel och multipel regression minsta kvadratmetod Uppskattning av koefficienterna Bedömning av noggrannheten hos koefficientuppskattningar Bedömning av modellens noggrannhet Efter uppskattningsanalys Andra överväganden i regressionsmodellerna Kvalitativa prediktorer Utvidgningar av de linjära modellerna Potentiella problem Bias-varians avvägning [underpassning /over-fitting] för regressionsmodeller
Metoder för omsampling
- Korsvalidering Valideringsuppsättningsmetoden Leave-One-Out Cross-Validation k-Fold Cross-Validation Bias-Variance Trade-Off för k-Fold The Bootstrap
Modellval och Regularisering
- Val av delmängd [Bästa urval av delmängder, stegvis val, val av optimal modell] Krympningsmetoder/ Regularisering [Ridge Regression, Lasso & Elastic Net] Välja avstämningsparameter Dimensionsreduktionsmetoder Huvudkomponenter Regression Partiell minsta kvadrater
Klassificering
- Logistisk regression Logistikmodellens kostnadsfunktion Uppskattning av koefficienter Att göra förutsägelser Oddskvot Prestandautvärderingsmatriser [Känslighet/Specificitet/PPV/NPV, Precision, ROC-kurva etc.] Multipel logistisk regression Logistisk regression för >2 svarsklasser Regulariserad logistisk regression
Mata framåt ANN.
Strukturer för flerlagers feed forward-nätverk. Algoritm för bakåtförökning Backpropagation - träning och konvergens Funktionell approximation med bakåtpropagation Praktiska och designfrågor för inlärning av backpropagation
- Deep Learning
Artificiell intelligens och Deep Learning Softmax Regression Självlärd Lärande Deep Networks Demos och applikationer
- Labb:
Komma igång med R
- Introduktion till R Grundläggande kommandon och bibliotek Datamanipulation Importera och exportera data Grafiska och numeriska sammanfattningar Skrivfunktioner
Regression
Enkel & Multipel Linjär Regression Interaktion Termer Icke-linjära Transformationer Dummy variabel regression Korsvalidering och Bootstrap Delmängds urvalsmetoder Penalisering [Ridge, Lasso, Elastic Net]
- Klassificering
Logistisk regression, LDA, QDA och KNN, omsampling och Regularization Support Vector Machine Resampling & Regularization
- Notera:
För ML-algoritmer kommer fallstudier att användas för att diskutera deras tillämpning, fördelar och potentiella problem. Analys av olika datamängder kommer att utföras med R
Krav
Grundläggande kunskaper om statistiska begrepp är önskvärt.
Vittnesmål (4)
Vi hade en översikt över Machine Learning, Neural Networks, AI med praktiska exempel.
Catalin - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Sista dagen med AI:n
Ovidiu - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Exemplen som valdes ut, delades med oss och förklarades
Cristina - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics