Kurzusleírás

Bevezetés

  • A Prediktív MI meghatározása
  • A prediktív elemzés történeti háttere és fejlődése
  • A gépi tanulás és az adatbányászat alapelvei

Adatgyűjtés és előfeldolgozás

  • Releváns adatok gyűjtése
  • Adatok tisztítása és előkészítése elemzéshez
  • Adattípusok és források megértése

Exploratív adatelemzés (EDA)

  • Adatok vizualizálása betekintéshez
  • Leíró statisztika és adatok összefoglalása
  • Mintázatok és kapcsolatok azonosítása az adatokban

Statisztikai modellezés

  • A statisztikai következtetés alapjai
  • Regresszióanalízis
  • Osztályozási modellek

Gépi tanulási algoritmusok előrejelzéshez

  • A felügyelt tanulási algoritmusok áttekintése
  • Döntési fák és véletlen erdők
  • Neurális hálózatok és a mélytanulás alapjai

Modellértékelés és kiválasztás

  • A modell pontosságának és teljesítménymutatóinak megértése
  • Keresztvalidációs technikák
  • Túlfitting és modellfinomítás

Prediktív MI gyakorlati alkalmazásai

  • Esettanulmányok különböző iparágakból
  • Etikai megfontolások a prediktív modellezésben
  • A Prediktív MI korlátai és kihívásai

Gyakorlati projekt

  • Adathalmaz használata prediktív modell létrehozásához
  • A modell alkalmazása előrejelzések készítéséhez
  • Eredmények értékelése és értelmezése

Összefoglalás és következő lépések

Követelmények

  • Alapvető statisztikai ismeretek
  • Tapasztalat bármely programozási nyelven
  • Ismeret az adatkezelésben és táblázatkezelőkben
  • Nincs szükség előzetes MI vagy adattudományi tapasztalatra

Közönség

  • IT-szakemberek
  • Adatelemzők
  • Műszaki személyzet
 21 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák