Kurzusleírás
Bevezetés
Ez a szakasz általános bevezetést nyújt arról, hogy mikor érdemes 'gépi tanulást' alkalmazni, mit kell figyelembe venni, és mit jelent mindez, beleértve az előnyöket és hátrányokat. Adattípusok (strukturált/strukturálatlan/statikus/streamelt), adatérvényesség/adatmennyiség, adatvezérelt vs. felhasználóvezérelt elemzés, statisztikai modellek vs. gépi tanulási modellek / a felügyelet nélküli tanulás kihívásai, torzítás-variancia kompromisszum, iteráció/értékelés, keresztvalidációs megközelítések, felügyelt/felügyelet nélküli/megerősítéses tanulás.
FŐ TÉMÁK
1. A Naive Bayes megértése
- A bayesi módszerek alapfogalmai
- Valószínűség
- Együttes valószínűség
- Feltételes valószínűség Bayes-tételével
- A Naive Bayes algoritmus
- A Naive Bayes osztályozás
- A Laplace-becslő
- Numerikus jellemzők használata a Naive Bayes-szel
2. A döntési fák megértése
- Oszd meg és uralkodj
- A C5.0 döntési fa algoritmus
- A legjobb vágás kiválasztása
- A döntési fa metszése
3. A neurális hálózatok megértése
- A biológiai neuronoktól a mesterséges neuronokig
- Aktivációs függvények
- Hálózati topológia
- A rétegek száma
- Az információáramlás iránya
- A csomópontok száma az egyes rétegekben
- Neurális hálózatok tanítása visszaterjesztéssel
- Mélytanulás
4. A szupport vektor gépek megértése
- Osztályozás hipersíkokkal
- A maximális margó megtalálása
- A lineárisan szeparálható adatok esete
- A nem lineárisan szeparálható adatok esete
- Kernelek használata nemlineáris terekhez
5. A klaszterezés megértése
- A klaszterezés mint gépi tanulási feladat
- A k-közép algoritmus klaszterezéshez
- Távolság használata a klaszterek hozzárendeléséhez és frissítéséhez
- A megfelelő számú klaszter kiválasztása
6. Az osztályozási teljesítmény mérése
- Munka osztályozási előrejelzési adatokkal
- A zavaros mátrixok közelebbi vizsgálata
- Zavaros mátrixok használata a teljesítmény mérésére
- A pontosságon túl – a teljesítmény egyéb mutatói
- A kappa statisztika
- Szenzitivitás és specificitás
- Precizitás és visszahívás
- Az F-mérték
- A teljesítmény-kompromisszumok vizualizálása
- ROC-görbék
- A jövőbeli teljesítmény becslése
- A holdout módszer
- Keresztvalidáció
- Bootstrap mintavételezés
7. Kész modellek hangolása a jobb teljesítmény érdekében
- A caret használata automatikus paraméterhangoláshoz
- Egy egyszerű hangolt modell létrehozása
- A hangolási folyamat testreszabása
- A modell teljesítményének javítása metatanulással
- Ensemble-ok megértése
- Bagging
- Boosting
- Véletlen erdők
- Véletlen erdők tanítása
- A véletlen erdő teljesítményének értékelése
KISEBB TÉMÁK
8. Az osztályozás megértése a legközelebbi szomszédok segítségével
- A kNN algoritmus
- Távolság számítása
- Megfelelő k kiválasztása
- Adatok előkészítése a kNN-hez
- Miért lusta a kNN algoritmus?
9. Az osztályozási szabályok megértése
- Oszd meg és uralkodj külön
- A One Rule algoritmus
- A RIPPER algoritmus
- Szabályok döntési fákból
10. A regresszió megértése
- Egyszerű lineáris regresszió
- Legkisebb négyzetek módszere
- Korrelációk
- Többszörös lineáris regresszió
11. A regressziós fák és modellfák megértése
- Regresszió hozzáadása a fákhoz
12. Az asszociációs szabályok megértése
- Az Apriori algoritmus asszociációs szabályok tanulásához
- A szabály érdekességének mérése – támogatottság és megbízhatóság
- Szabályhalmaz építése az Apriori elvvel
Extrák
- Spark/PySpark/MLlib és többkarú banditák
Követelmények
Python ismeretek
Vélemények (7)
Nagyon élveztem a képzést és értékeltem a gépi tanulás témában mélyebbre menő áttekintést. Értékeltem az elméleti és gyakorlati alkalmazások közötti egyensúlyt, különösen a kódolási munkameneteket. A képző tanár izgalmas példákat és jól megtervezett feladatokat adott, amelyek javítottak a tanulási tapasztalaton. A kurzus széles körű témákat fedezett le, és Abhi kitűnő szakértelmét abban mutatta, hogy minden kérdést egyértelműen és könnyedén válaszolt.
Valentina
Kurzus - Machine Learning
Gépi fordítás
Értékelem az odatartást, ami segített nekem megérteni a teóriát és lépésről lépésre alkalmazni. Ugyanígy értékeltem, hogy a képző milyen egyszerű és világos módon magyarázott minden. Könnyen követni volt, bár nem vagyok túl tapasztalt Pythonnal, mégis nem akartam elhagyni ezt az alkalmat, hogy tanuljak valamit, ami nagyon érdekel engem. Értékelem továbbá a szerteágazó információk sokfajtását és a képző elérhetőségét abban, hogy megmagyarázza és támogassa minket a fogalmak megértésében. Ez a képzés után a gépi tanulás alapelvei sokkal világosabbak nekem, és most úgy érzem, hogy elértem valamit, és jobban értem a témát.
Cristina
Kurzus - Machine Learning
Gépi fordítás
A tanfolyam végén láthatóvé vált a bemutatott témák valós életbeni alkalmazása.
Daniel
Kurzus - Machine Learning
Gépi fordítás
Szerettem a tempot, szerettem az elmélet és gyakorlat közötti egyensúlyt, a fő témákat, valamint azt, hogyan sikerült a képzőnek minden elemet megfelelően egyensúlyozni. Szintén nagyon élveztem a képzési infrastruktúrát, amely igen praktikus volt virtuális gépekkel való munkavégzéshez.
Andrei
Kurzus - Machine Learning
Gépi fordítás
Rövid és egyszerű maradás. Intuíció és vizuális modell kialakítása a fogalmak köré (döntésfa grafikon, lineáris egyenletek, y_pred manuális számítása a modell működésének bizonyításához).
Nicolae - DB Global Technology
Kurzus - Machine Learning
Gépi fordítás
Segített elérni a célomat az ML megértésében. Sok tiszteletet érdemel Pablo, hogy megfelelő bevezetést adott ezt a téma területre, mivel három napos tanulás után nyilvánvaló, milyen széles körű ez a témakör. Nagyon élveztem a virtuális gépek ötletét is, amit kínált, és amelyek rendkívül jó várakozási időt mutattak! Ez lehetővé tévedett minden képzettség számára, hogy saját tempójukban végezzen kísérleteket.
Silviu - DB Global Technology
Kurzus - Machine Learning
Gépi fordítás
A gyakorlati rész útja, amikor a teória valódi gyakorlatba vitték, nagyszerű.
Lisa Fekade - Vodacom
Kurzus - Machine Learning
Gépi fordítás
