Kurzusleírás

A gépi tanulás alapjai

  • A gépi tanulás fogalmai és folyamatáinak bemutatása
  • Ütemezett és nem ütemezett tanulás
  • Gépi tanulási modellek értékelése: metrikák és technikák

Bajzi módszerek

  • Naive Bayes és multinomiális modellek
  • Bajzi kategóriai adatelemzés
  • Bajzi gráfmodellek

Visszaélési technikák

  • Egyenes visszaélesztés
  • Logisztikus visszaélesztés
  • Általánosított lineáris modellek (GLM)
  • Kevert és additív modellek

Dimenziócsökkentés

  • Főkomponens analízis (PCA)
  • Faktoranalízis (FA)
  • Független komponens analízis (ICA)

Osztályozó módszerek

  • K-Legközelebbi szomszédok (KNN)
  • Támogató vektormáshatárak (SVM) a visszaélések és osztályozások számára
  • Említések és együttes modellek

Hálózati hálózatok

  • A hálózati hálózatok bemutatása
  • Mély tanulás alkalmazása a visszaélésekben és osztályozásban
  • Hálózati hálózatok betanítása és finomhangolása

Haladó algoritmusok és modellek

  • Rejtett Markov-modellek (HMM)
  • Helyzet térmodellek
  • EM algoritmus

Fürtözési technikák

  • A fürtözések és nem ütemezett tanulás bemutatása
  • Népszerű fürtözési algoritmusok: K-Legközelebbi, Hierarchikus fürtözés
  • Fürtözések használatai és praktikus alkalmazásai

Összefoglaló és következő lépések

Követelmények

  • Alapvető statisztikai és adatelemző ismeretek
  • R, Python vagy más releváns programozási nyelvekben való programozási tapasztalatok

Célcsoport

  • Adatfuturisták
  • Statisztikusok
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák