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
Lineáris diszkriminancia analízis Bayes-tétellel az osztályozáshoz
  • Lineáris diszkriminancia analízis p=1 esetén
  • Lineáris diszkriminancia analízis p >1 esetén
  • Kvadratikus diszkriminancia analízis
  • K-Legközelebbi szomszédok
  • Osztályozás nemlineáris döntési határokkal
  • A vektorgépek optimalizálási célkitűzésének támogatása
  • A maximális árrés osztályozója
  • Kernelek
  • Egy-egy-egy osztályozás
  • Egy-mindenki besorolás
  • Az osztályozási módszerek összehasonlítása
  • Bevezetés a Deep Learning-be
  • ANN szerkezet
  • Biologikai neuronok és mesterséges neuronok Nem-lineáris hipotézis modell ábrázolása Példák és intuíciók Átviteli függvény/aktiválási függvények A hálózati architektúrák tipikus osztályai
  • 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.

      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 (4)

    Rokon tanfolyam

    Rokon kategóriák