Kurzusleírás

Machine Learning alapjai

  • Bevezetés a Machine Learning fogalmakba és munkafolyamatokba
  • Felügyelt vs. felügyelet nélküli tanulás
  • Gépi tanulási modellek értékelése: mérőszámok és technikák

Bayesi módszerek

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

Regressziós technikák

  • Lineáris regresszió
  • Logisztikai regresszió
  • Általánosított lineáris modellek (GLM)
  • Vegyes modellek és additív modellek

Dimenziócsökkentés

  • Főkomponens-elemzés (PCA)
  • Tényezőelemzés (FA)
  • Független komponenselemzés (ICA)

Osztályozási módszerek

  • K-Legközelebbi szomszédok (KNN)
  • Támogatja a Vector Machines (SVM) regressziót és osztályozást
  • Boosting és ensemble modellek

Neural Networks

  • Bevezetés a neurális hálózatokba
  • A mélytanulás alkalmazásai az osztályozásban és a regresszióban
  • Neurális hálózatok betanítása és hangolása

Speciális algoritmusok és modellek

  • Rejtett Markov-modellek (HMM)
  • Állami űrmodellek
  • EM algoritmus

Klaszterezési technikák

  • Bevezetés a klaszterezésbe és a felügyelet nélküli tanulásba
  • Népszerű klaszterezési algoritmusok: K-Means, Hierarchical Clustering
  • A klaszterezés felhasználási esetei és gyakorlati alkalmazásai

Összegzés és a következő lépések

Követelmények

  • Statisztikai és adatelemzési alapismeretek
  • Programming tapasztalat R, Python vagy más releváns programozási nyelvekben

Közönség

  • Adattudósok
  • Statisztikusok
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák