Thank you for sending your enquiry! One of our team member will contact you shortly.
Thank you for sending your booking! One of our team member will contact you shortly.
Kurzusleírás
1. Az osztályozás megértése a legközelebbi szomszédok segítségével
- A kNN algoritmus
- Távolság számítása
- A megfelelő k kiválasztása
- Adatok előkészítése a kNN-nel való használatra
- Miért lusta a kNN algoritmus?
2. A naiv Bayes megértése
- A Bayes-módszerek alapfogalmai
- Valószínűség
- Együttes valószínűség
- Feltételes valószínűség Bayes-tétellel
- A naiv Bayes-algoritmus
- A naiv Bayes-besorolás
- A Laplace-becslő
- Numerikus jellemzők használata naiv Bayes-szel
3. A döntési fák megértése
- Oszd meg és uralkodj
- A C5.0 döntési fa algoritmus
- A legjobb felosztás kiválasztása
- A döntési fa metszése
4. Az osztályozási szabályok megértése
- Elkülönülni és hódítani
- Az Egy szabály algoritmusa
- A RIPPER algoritmus
- Szabályok a döntési fákból
5. A regresszió megértése
- Egyszerű lineáris regresszió
- Közönséges legkisebb négyzetek becslése
- Összefüggések
- Többszörös lineáris regresszió
6. A regressziós fák és a modellfák megértése
- Regresszió hozzáadása a fákhoz
7. Neurális hálózatok megértése
- A biológiaitól a mesterséges neuronokig
- Aktiválási funkciók
- Hálózati topológia
- A rétegek száma
- Az információ utazásának iránya
- Az egyes rétegekben található csomópontok száma
- Neurális hálózatok képzése visszaterjesztéssel
8. A támogató vektorgépek megértése
- Osztályozás hipersíkokkal
- A maximális margó megkeresése
- Lineárisan elválasztható adatok esete
- A nem lineárisan elkülöníthető adatok esete
- Kernelek használata nemlineáris terekhez
9. Társulási szabályok megértése
- Az Apriori algoritmus asszociációs szabályok tanulására
- A szabály érdeklődésének mérése – támogatás és bizalom
- Szabályrendszer felépítése az Apriori elv alapján
10. A klaszterezés megértése
- A klaszterezés, mint gépi tanulási feladat
- A klaszterezés k-közép algoritmusa
- Távolság használata fürtök hozzárendeléséhez és frissítéséhez
- A megfelelő számú klaszter kiválasztása
11. Teljesítménymérés az osztályozáshoz
- Osztályozási előrejelzési adatokkal való munka
- A zavaros mátrixok közelebbi pillantása
- Zavarmátrixok használata a teljesítmény mérésére
- A pontosságon túl – a teljesítmény egyéb mértékei
- A kappa statisztika
- Érzékenység és specifitás
- Precizitás és felidézés
- Az F-mérték
- A teljesítmény kompromisszumainak megjelenítése
- ROC görbék
- A jövőbeli teljesítmény becslése
- A kitartási módszer
- Keresztellenőrzés
- Bootstrap mintavétel
12. A részvénymodellek hangolása a jobb teljesítmény érdekében
- A caret használata az automatikus paraméterhangoláshoz
- Egyszerűen hangolt modell készítése
- A hangolási folyamat testreszabása
- A modell teljesítményének javítása meta-learning segítségével
- Az együttesek megértése
- Zsákolás
- Fellendítés
- Véletlen erdők
- Véletlenszerű erdők képzése
- Véletlenszerű erdőteljesítmény értékelése
13. Deep Learning
- Három osztály Deep Learning
- Mély automatikus kódolók
- Előre betanított mély Neural Networks
- Deep Stacking Networks
14. Konkrét alkalmazási területek megvitatása
21 Hours
Vélemények (1)
Very flexible