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
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.
21 timmar
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
