Kurzusleírás
Gépi tanulás
Bevezetés a Machine Learning-ba
- A gépi tanulás alkalmazásai Felügyelt versus nem felügyelt tanulás Gépi tanulási algoritmusok Regressziós Osztályozás Klaszterezés Recommender Rendszer anomáliák észlelése Reinforcement Learning
Regresszió
- Egyszerű és többszörös regressziós legkisebb négyzetes módszer az együtthatók becslése Az együttható becslések pontosságának értékelése A modell pontosságának értékelése Utánbecslés elemzés A regressziós modellek egyéb szempontjai Kvalitatív előrejelzők A lineáris modellek kiterjesztései Potenciális cserék /over-fitting] regressziós modellekhez
Újramintavételi módszerek
- Keresztellenőrzés Az érvényesítési halmaz megközelítése Egyetlen keresztellenőrzés elhagyása k-hajtás keresztellenőrzési torzítás-variancia kompromisszuma a k-hajtáshoz Az Bootstrap
Modellválasztás és rendszeresítés
- Részhalmaz kiválasztása [Legjobb részhalmaz kiválasztása, lépésenkénti kiválasztás, az optimális modell kiválasztása] Zsugorítási módszerek/ Szabályosítás [Ridge Regression, Lasso & Elastic Net] A hangolási paraméter kiválasztása Dimenziócsökkentési módszerek Főkomponensek Regresszió Részleges legkisebb négyzetek
Osztályozás
- Logisztikai regresszió A logisztikai modell költségfüggvénye Az együtthatók becslése Előrejelzések készítése Esélyhányados Teljesítményértékelési mátrixok [Érzékenység/Specifikusság/PPV/NPV, Pontosság, ROC-görbe stb.] Többszörös logisztikai regresszió Logisztikus regresszió >2 válaszosztályra Szabályozott logisztikai regresszió
Feed forward ANN.
Többrétegű előrecsatolt hálózatok struktúrái Visszaterjedési algoritmus Visszaterjedés - betanítás és konvergencia Funkcionális közelítés visszafelé terjedéssel A visszaterjedési tanulás gyakorlati és tervezési kérdései
- Deep Learning
Mesterséges intelligencia és Deep Learning Softmax regressziós autodidakta tanulási mélyhálózatok bemutatók és alkalmazások
- Labor:
Kezdő lépések R-vel
- Az R alapvetõ parancsok és könyvtárak bemutatása Adatmanipuláció Adatok importálása és exportálása Grafikus és numerikus összefoglalások Írási funkciók
Regresszió
Egyszerű és többszörös lineáris regressziós interakciós kifejezések Nemlineáris transzformációk Dummy változó regressziós keresztellenőrzés és Bootstrap Részhalmaz kiválasztási módszerek Büntetés [Ridge, Lasso, Elastic Net]
- Osztályozás
Logisztikai regresszió, LDA, QDA és KNN, Resampling & Regularization Support Vector Machine Resampling & Regularization
- Jegyzet:
Az ML algoritmusok esetében esettanulmányokat használnak az alkalmazásuk, előnyeik és lehetséges problémák megvitatására. A különböző adatkészletek elemzése az R használatával történik
Követelmények
A statisztikai fogalmak alapismerete kívánatos.
Vélemények (4)
Áttekintést kaptunk a Machine Learning, Neural Networks, MI-ről gyakorlati példákkal.
Catalin - DB Global Technology SRL
Kurzus - Machine Learning and Deep Learning
Machine Translated
Utolsó nap az MI-vel
Ovidiu - DB Global Technology SRL
Kurzus - Machine Learning and Deep Learning
Machine Translated
A kiválasztott, velünk megosztott és elmagyarázott példák
Cristina - DB Global Technology SRL
Kurzus - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics