Kurzusleírás

Bevezetés a Neural Networks-be

Bevezetés az Appliedbe Machine Learning

  • Statisztikai tanulás kontra gépi tanulás
  • Iteráció és értékelés
  • Bias-Variance kompromisszum

Machine Learning és Python

  • Könyvtárak választéka
  • Kiegészítő eszközök

Gépi tanulási koncepciók és alkalmazások

Regresszió

  • Lineáris regresszió
  • Általánosítások és nemlinearitás
  • Használati esetek

Osztályozás

  • Bayesi frissítő
  • Naiv Bayes
  • Logisztikus regresszió
  • K-Legközelebbi szomszédok
  • Use Cases

Keresztellenőrzés és újramintavételezés

  • Keresztellenőrzési megközelítések
  • Bootstrap
  • Use Cases

Felügyelet nélküli tanulás

  • A K-csoportosulást jelent
  • Példák
  • A felügyelet nélküli tanulás kihívásai és a K-eszközökön túl

Rövid bevezetés az NLP módszerekbe

  • szó és mondat tokenizálása
  • szöveges besorolás
  • hangulatelemzés
  • helyesírási javítás
  • információ kinyerése
  • elemzése
  • kitermelést jelent
  • kérdés megválaszolása

Mesterséges intelligencia és Deep Learning

Műszaki áttekintés

  • R v/s Python
  • Caffe v/s Tensor Flow
  • Különféle Machine Learning könyvtárak

Iparági esettanulmányok

Követelmények

  1. Rendelkeznie kell az üzleti működés alapismereteivel, és műszaki ismeretekkel is
  2. Alapvető ismeretekkel kell rendelkeznie a szoftverekkel és rendszerekkel kapcsolatban
  3. Az Statistics alapszintű ismerete (Excel szinten)
  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