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
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Vélemények (1)

Rokon tanfolyam

Rokon kategóriák