Kurzusleírás

A gépi tanulás alapjai

  • Bevezetés a gépi tanulás fogalmaiba és munkafolyamataiba
  • Felügyelt vs. felügyelet nélküli tanulás
  • Gépi tanulási modellek értékelése: metrikák és technikák

Bayesi módszerek

  • Naiv Bayes és multinomiális modellek
  • Bayesi kategorikus adatelemzés
  • Bayesi gráfmodellek

Regressziós technikák

  • Lineáris regresszió
  • Logisztikus regresszió
  • Általánosított Lineáris Modellek (GLM)
  • Vegyes modellek és additív modellek

Dimenziócsökkentés

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

Osztályozási módszerek

  • K-Legközelebbi Szomszéd (KNN)
  • Támogató Vektor Gépek (SVM) regresszióra és osztályozásra
  • Boosting és együttes modellek

Neurális hálózatok

  • Bevezetés a neurális hálózatokba
  • Mélytanulás alkalmazásai osztályozásban és regresszióban
  • Neurális hálózatok tanítása és hangolása

Haladó algoritmusok és modellek

  • Rejtett Markov-modellek (HMM)
  • Állapottér-modellek
  • EM algoritmus

Csoportosítási technikák

  • Bevezetés a csoportosításba és a felügyelet nélküli tanulásba
  • Népszerű csoportosítási algoritmusok: K-Means, Hierarchikus csoportosítás
  • Csoportosítás gyakorlati alkalmazásai és használati esetei

Összefoglalás és következő lépések

Követelmények

  • Alapvető ismeretek a statisztikában és az adatelemzésben
  • Programozási tapasztalat R, Python vagy más releváns programozási nyelveken

Közönség

  • Adattudósok
  • Statisztikusok
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák