Kursplan
Introduksjon
Denne delen gir en generell introduksjon av når du skal bruke "maskinlæring", hva som bør vurderes og hva det betyr, inkludert fordeler og ulemper. Datatyper (strukturert/ustrukturert/statisk/strømmet), datavaliditet/volum, datadrevet vs brukerdrevet analyse, statistiske modeller vs. maskinlæringsmodeller/ utfordringer ved uovervåket læring, avveining av skjevhetsvarians, iterasjon/evaluering, kryssvalideringstilnærminger , overvåket/uovervåket/forsterkning.
STORE EMNER
1. Forstå naive Bayes
- Grunnleggende begreper for Bayesianske metoder Sannsynlighet Fellessannsynlighet Betinget sannsynlighet med Bayes' teorem Den naive Bayes-algoritmen Den naive Bayes-klassifiseringen Laplace-estimatoren Bruke numeriske trekk med naive Bayes
2. Forstå beslutningstrær
- Del og hersk C5.0-beslutningstrealgoritmen Velge den beste splittelsen Beskjæring av beslutningstreet
3. Forstå nevrale nettverk
- Fra biologiske til kunstige nevroner Aktiveringsfunksjoner Nettverkstopologi Antall lag Informasjonens reiseretning Antall noder i hvert lag Trening av nevrale nettverk med tilbakepropagasjon Deep Learning
4. Forstå støttevektormaskiner
- Klassifisering med hyperplan Finne maksimal margin Tilfellet av lineært separerbare data Tilfellet av ikke-lineært separerbare data Bruke kjerner for ikke-lineære rom
5. Forstå clustering
- Klynger som en maskinlæringsoppgave K-betyr-algoritmen for klynger Bruke avstand til å tildele og oppdatere klynger Velge riktig antall klynger
6. Måling av ytelse for klassifisering
- Arbeide med klassifikasjonsprediksjonsdata En nærmere titt på forvirringsmatriser Bruke forvirringsmatriser for å måle ytelse Utover nøyaktighet – andre mål for ytelse Kappa-statistikken Sensitivitet og spesifisitet Presisjon og tilbakekalling F-målet Visualisering av ytelsesavveininger ROC-kurver Anslå fremtidig ytelse Holdout-metoden Kryss- validering Bootstrap prøvetaking
7. Tuning lagermodeller for bedre ytelse
- Bruke caret for automatisert parameterinnstilling Lage en enkel innstilt modell Tilpasse innstillingsprosessen Forbedre modellytelse med meta-læring Forstå ensembler Bagging Boosting Tilfeldige skoger Trening tilfeldige skoger Evaluering av tilfeldig skogytelse
MINDRE EMNER
8. Forstå klassifisering ved hjelp av nærmeste naboer
- kNN-algoritmen Beregne avstand Velge en passende k Forberede data for bruk med kNN Hvorfor er kNN-algoritmen lat?
9. Forstå klassifiseringsregler
- Separer og erobre The One Rule-algoritmen RIPPER-algoritmen Regler fra beslutningstrær
10. Forstå regresjon
- Enkel lineær regresjon Ordinær minste kvadraters estimering Korrelasjoner Multippel lineær regresjon
11. Forstå regresjonstrær og modelltrær
- Legge til regresjon til trær
12. Forstå foreningens regler
- Apriori-algoritmen for assosiasjonsregellæring Måling av regelinteresse – støtte og tillit Bygge et sett med regler med Apriori-prinsippet
Ekstrautstyr
- Spark/PySpark/MLlib og flerarmede banditter
Testimonials (5)
Gjør det kort og enkelt. Lage intuisjon og visuelle modeller rundt konseptene (beslutningstregraf, lineære ligninger, beregne y_pred manuelt for å bevise hvordan modellen fungerer).
Nicolae - DB Global Technology
Kurs - Machine Learning
Machine Translated
Det hjalp meg å nå målet mitt om å forstå ML. Stor respekt for Pablo for å gi en skikkelig introduksjon i dette emnet, siden det blir tydelig etter 3 dagers trening hvor omfattende dette emnet er. Jeg har også hatt MYE glede av ideen om virtuelle maskiner du har levert, som hadde veldig god latenstid! Det tillot hver kursant å gjøre eksperimenter i sitt eget tempo.
Silviu - DB Global Technology
Kurs - Machine Learning
Machine Translated
The way practical part, seeing the theory materializing into something practical is great.
Lisa Fekade - Vodacom
Kurs - Machine Learning
It's just great that all material including the exercises is on the same page and then it gets updated on the fly. The solution is revealed at the end. Cool! Also, I do appreciate that Krzysztof took extra effort to understand our problems and suggested us possible techniques.
Attila Nagy - L M ERICSSON LIMITED
Kurs - Machine Learning
I liked the lab exercises.