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)
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
