Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés
Ez a rész általánosan bemutatja, hogy mikor kell használni a „gépi tanulást”, mit kell figyelembe venni, és mit jelent mindez, beleértve az előnyöket és hátrányokat. Adattípusok (strukturált/strukturálatlan/statikus/streamelt), adatérvényesség/térfogat, adatvezérelt vs felhasználóvezérelt elemzés, statisztikai modellek vs. gépi tanulási modellek/ a nem felügyelt tanulás kihívásai, torzítás-variancia kompromisszum, iteráció/kiértékelés, keresztellenőrzési megközelítések , felügyelt/felügyelet nélkül/megerősítés.
FŐ TÉMÁK
1. A naiv Bayes megértése
- Bayes módszerek alapfogalmai
- Valószínűség
- Közös valószínűség
- Feltételes valószínűség Bayes-tétel alapján
- A naiv Bayes algoritmus
- A naiv Bayes osztályozás
- A Laplace becslő
- Numerikus jellemzők használata a naiv Bayes-el
2. A döntési fák megértése
- Osztás és uralkodás
- A C5.0 döntési fa algoritmus
- A legjobb szétválasztás kiválasztása
- A döntési fa visszavágása
3. Neurális hálózatok megértése
- Biológiai és mesterséges neuronok
- Aktiválási függvények
- Hálózati topológia
- A rétegek száma
- A tájékoztatás irányának
- Minden rétegben lévő csomópontok száma
- A neurális hálózatok backpropagationnal történő kiképzése
- Deep Learning
4. A támogató vektorgépek megértése
- Osztályozás hiperplánezzel
- A legnagyobb határkeresés
- A lineárisan elkülöníthető adatok esete
- A nem lineárisan elkülöníthető adatok esete
- Nem lineáris térbeli magok használata
5. A klaszterezés megértése
- A klaszterezés gépi tanulásként
- A k-means klaszterezési algoritmus
- A távolság használata a klaszterek hozzárendelése és frissítése céljából
- A megfelelő klaszterek számának kiválasztása
6. A teljesítmény mérése az osztályozáshoz
- A klasszifikációs előrejelzési adatok használata
- A konfúziós mátrixok részletes vizsgálata
- A teljesítmény méréséhez használt konfúziós mátrixok
- A pontosságnál túlmutató teljesítmény mérési módszerek
- A kappa-statisztika
- Érzékenység és specifikusság
- Pontosság és teljesítés
- Az F-mérték
- A teljesítménykompromisszumok vizualizálása
- ROC-görbék
- A jövőbeli teljesítmény becslése
- A tartalékos módszer
- Keresztellenőrzés
- Bootstrap mintavétel
7. A részvénymodellek hangolása a jobb teljesítmény érdekében
- A caret automatizált paraméterbeállításának használata
- A egyszerű beállított modell létrehozása
- A beállítási folyamat testreszabása
- A modell teljesítményének javítása meta-tanulással
- A kollégiumok megértése
- Csomagolás
- Felfokozás
- Vehés erdők
- Vehés erdők kiképzése
- A vehés erdők teljesítményének értékelése
KISEBB TÉMÁK
8. Az osztályozás megértése a legközelebbi szomszédok segítségével
- A kNN algoritmus
- A távolság számítása
- Alkalmas k választása
- Adatok előkészítése a kNN használatához
- Miért nevetik a kNN algoritmust lazának?
9. Az osztályozási szabályok megértése
- Elválasztás és uralkodás
- Az Egy Szabály algoritmus
- A RIPPER algoritmus
- A döntési fákból származó szabályok
10. A regresszió megértése
- Egyszerű lineáris regresszió
- Legkisebb négyzetek becslése
- Korrelációk
- Többszörös lineáris regresszió
11. Regressziós fák és modellfák megértése
- A fákhoz hozzáadott regresszió
12. Társulási szabályok megértése
- Az Apriori algoritmus az társulási szabályok tanulásához
- A szabályok érdeklődésének mérése – támogatás és bizalom
- Egy szabályhalmaz létrehozása az Apriori elv alapján
Extrák
- Spark/PySpark/MLlib és Multi-armed bandits
Követelmények
Python Knowledge
21 Órák
Vélemények (7)
I nagyon élveztem a képzést és megbecsültem, hogy mélyebb belebukkanást kaptunk a Machine Learning témakörbe. Megértettem a teoria és a gyakorlati alkalmazások közötti egyensúlyt, különösen a gyakorlati programozási munkákat. Az oktató érdekfeszítő példákat és jól megtervezett gyakorlatokat nyújtott, amelyek javították az tanulási élményt. Az óra széles spektrumú témákat fedett le, és Abhi kiváló szakértelemmutatásával tisztán és könnyedén válaszolt minden kérdésre.
Valentina
Kurzus - Machine Learning
Gépi fordítás
Értékeltem az gyakorlatot, amely segítségével megértettem a teorétikai alapokat és lépésről lépésre tudtam alkalmazni. A tanár egyszerű és világos módja, ahogy mindeneket magyarázott, is nagy segítséget nyújtott. Még akkor is könnyen követhető volt a tananyag, hogy nem túl tapasztalt vagyok a Python területén. Nem akartam elhibázni a lehetőséget, hogy megtanuljam valamit, ami valóban érdekel. Értékeltem továbbá az információk sokféleségét és a tanár rendelkezésre állását, hogy magyarázzon és segítsen nekünk a fogalmak megértésében. Ez a kurzus után a gépi tanulás fogalmai sokkal világosabbak nekem, és most érzem, hogy van irány és jobb értelem a témában.
Cristina
Kurzus - Machine Learning
Gépi fordítás
A tanfolyam végén láttam a tárgyak valós életbeli használatát.
Daniel
Kurzus - Machine Learning
Gépi fordítás
I tetszőtt a tempó, tetszőtt a teoria és a gyakorlat közötti egyensúly, a fő témák, amelyeket feldolgoztak, és az a mód, ahogyan a kiképző képes volt mindenet egyensúlyba hozni. Nagyon tetszőtt még a kiképzési infrastruktúrátok, nagyon praktikus volt a virtuális gépekkel való munkához.
Andrei
Kurzus - Machine Learning
Gépi fordítás
Legyen rövid és egyszerű. Intuíciós és vizuális modellek létrehozása a fogalmak köré (döntési fa grafikonja, lineáris egyenletek, y_pred manuális kiszámítása a modell működésének bizonyítására).
Nicolae - DB Global Technology
Kurzus - Machine Learning
Gépi fordítás
Segített elérni a célomat, az ML megértését. Nagy tisztelet Pablo-nak, hogy megfelelő bevezetőt adott ebben a témában, hiszen 3 napos tréning után nyilvánvalóvá válik, hogy milyen hatalmas ez a téma. NAGYON élveztem az általad biztosított virtuális gépek ötletét is, amelyeknek nagyon jó késleltetése volt! Lehetővé tette, hogy minden kurzus a saját tempójában végezzen kísérleteket.
Silviu - DB Global Technology
Kurzus - Machine Learning
Gépi fordítás
A gyakorlati rész, amikor látszuk, hogy a elméleti anyag valósággá válik, kiváló.
Lisa Fekade - Vodacom
Kurzus - Machine Learning
Gépi fordítás
