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 általános bevezetést nyújt arról, hogy mikor érdemes gépi tanulást alkalmazni, mire kell figyelni, és mit jelent mindez, beleértve az előnyöket és hátrányokat. Adattípusok (strukturált/nem strukturált/statikus/streames), adatérvényesség/adatmennyiség, adatvezérelt vs. felhasználóvezérelt elemzés, statisztikai modellek vs. gépi tanulási modellek, a felügyelet nélküli tanulás kihívásai, bias-variancia kompromisszum, iteráció/értékelés, keresztvalidációs megközelítések, felügyelt/felügyelet nélküli/megerősítéses tanulás.
FŐ TÉMAKÖRÖK
1. A naiv Bayes megértése
- A Bayes-módszerek alapfogalmai
- Valószínűség
- Közös valószínűség
- Feltételes valószínűség a Bayes-tétellel
- A naiv Bayes algoritmus
- A naiv Bayes osztályozás
- A Laplace-becslő
- Numerikus jellemzők használata a naiv Bayesban
2. A döntési fák megértése
- Oszd meg és uralkodj
- A C5.0 döntési fa algoritmus
- A legjobb felosztás kiválasztása
- A döntési fa nyesése
3. A neurális hálózatok megértése
- Biológiai neuronoktól a mesterséges neuronokig
- Aktivációs függvények
- Hálózati topológia
- A rétegek száma
- Az információ áramlásának iránya
- Az egyes rétegekben lévő csomópontok száma
- Neurális hálózatok tanítása visszaterjesztéssel
- Mély tanulás
4. A támogató vektorgépek megértése
- Osztályozás hipersíkokkal
- A maximális margó megtalálása
- Lineárisan szeparálható adatok esete
- Nem lineárisan szeparálható adatok esete
- Kernel használata nem lineáris terekben
5. A klaszterezés megértése
- Klasterezés mint gépi tanulási feladat
- A k-átlag algoritmus a klaszterezéshez
- Távolság használata a klaszterek hozzárendeléséhez és frissítéséhez
- A megfelelő klaszterek számának kiválasztása
6. Teljesítménymérés osztályozásnál
- Osztályozási előrejelzési adatok kezelése
- Részletes betekintés a zavarmátrixokba
- Zavarmátrixok használata teljesítményméréshez
- Tovább a pontosságtól – más teljesítménymérők
- A kappa statisztika
- Érzékenység és specificitás
- Pontosság és visszahívás
- Az F-mérték
- Teljesítménykompromisszumok vizualizálása
- ROC görbék
- Jövőbeli teljesítmény becslése
- A holdout módszer
- Keresztvalidáció
- Bootstrap mintavételezés
7. Alapmodellek finomhangolása jobb teljesítményért
- A caret használata automatikus paraméterhangoláshoz
- Egyszerű finomhangolt modell létrehozása
- A hangolási folyamat testreszabása
- Modellteljesítmény javítása meta-tanulással
- Ensemble-ek megértése
- Bagging
- Boosting
- Véletlen erdők
- Véletlen erdők tanítása
- Véletlen erdők teljesítményének értékelése
KISEBB TÉMAKÖRÖK
8. Osztályozás megértése a legközelebbi szomszédok módszerével
- A kNN algoritmus
- Távolság számítása
- Megfelelő k kiválasztása
- Adatok előkészítése a kNN-hez
- Miért lusta a kNN algoritmus?
9. Osztályozási szabályok megértése
- Oszd meg és uralkodj
- A One Rule algoritmus
- A RIPPER algoritmus
- Szabályok döntési fákból
10. Regresszió megértése
- Egyszerű lineáris regresszió
- Legkisebb négyzetek módszere
- Korrelációk
- Többszörös lineáris regresszió
11. Regressziós fák és modellfák megértése
- Regresszió hozzáadása fához
12. Szabályasszociációk megértése
- Az Apriori algoritmus a szabályasszociációs tanuláshoz
- Szabályérdeklődés mérése – támogatottság és megbízhatóság
- Szabálykészlet építése az Apriori elv alapján
Extrák
- Spark/PySpark/MLlib és Multi-armed bandits
Követelmények
Python ismeretek
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
