Kursplan
Innføring
Denne delen gir en generell introduksjon til når man bør bruke «maskinlæring», hva man bør vurdere, og hva det hele innebærer, inkludert fordeler og ulemper. Det omfatter datatyper (strukturert/ukonstruert/statisk/streaming), datagjeldende/volum, datadrevet vs. brukerdrevet analyse, statistiske modeller vs. maskinlæringsmodeller, utfordringer ved upåvirket læring, bias-varianskompromisset, iterasjon/evaluering, kryssvalideringsmetoder, overvakt/upåvirket/reynforcement-læring.
HØYDEPUNKTER
1. Forståelse av naive Bayes
- Grunnleggende begreper i bayesiske metoder
- Sannsynlighet
- Sammenhengende sannsynlighet
- Betinget sannsynlighet med Bayes teorem
- Naive Bayes-algoritmen
- Klassifisering med naive Bayes
- Laplace-estimatoren
- Bruk av numeriske funksjoner med naive Bayes
2. Forståelse av beslutningstre
- Del og erobre
- C5.0-algoritmen for beslutningstre
- Å velge den beste inndelingen
- Å beskjære beslutningstreet
3. Forståelse av nevrale nettverk
- Fra biologiske til kunstige nøyroner
- Aktivert funksjoner
- Nettverksarkitektur
- Antall lag
- Retningen for informasjonstransmisjon
- Antall noder i hvert lag
- Trening av nevrale nettverk med backpropagation
- Dyp læring
4. Forståelse av vektorstøttende maskiner (SVM)
- Klassifisering med hyperflater
- Finding den maksimale marginen
- Tilfelle av lineart separert data
- Tilfelle av ikke-lineært separert data
- Bruk av kjerner for ikke-lineære rom
5. Forståelse av klustering
- Klustering som en maskinlæringsoppgave
- k-means-algoritmen for klustering
- Bruk av avstand for å tildele og oppdatere kluster
- Velge riktig antall kluster
6. Måling av ytelse for klassifisering
- Arbeide med klassifiseringspredikasjonsdata
- Et nærmere blikk på forvirringsmatriser
- Bruk av forvirringsmatriser for å måle ytelse
- Bort fra nøyaktighet – andre ytelser
- Kappa-statistikken
- Sensitivitet og spesifikitet
- Presisjon og recall
- F-målet
- Visualisering av ytekompromisser
- ROC-kurver
- Estimat av fremtidig ytelse
- Holdout-metoden
- Kryssvalidering
- Bootstrap-prøvetaking
7. Justering av eksisterende modeller for bedre ytelse
- Bruk av caret for automatisk parametertuning
- Opprette en enkel justert modell
- Tilpasning av justeringsprosessen
- Forbedring av modellens ytelse med meta-læring
- Forståelse av ensembler
- Bagging
- Boosting
- Slumpskoger
- Trening av slumpskoger
- Vurdering av slumpskogens ytelse
BILAGSOMRÅDER
8. Forståelse av klassifisering ved hjelp av nærmeste naboer
- kNN-algoritmen
- Beregning av avstand
- Å velge en egnet k
- Forberedelse av data for bruk med kNN
- Hvorfor er kNN-algoritmen «latsk»?
9. Forståelse av klassifiseringsregler
- Separer og erobre
- One Rule-algoritmen
- RIPPER-algoritmen
- Regler fra beslutningstre
10. Forståelse av regresjon
- Enkel lineær regresjon
- Estimater ved vanlig minste kvadrater
- Korrelasjoner
- Flertallig lineær regresjon
11. Forståelse av regresjons- og modelltre
- Tillegging av regresjon til tre
12. Forståelse av assosiasjonsregler
- Apriori-algoritmen for assosiasjonslæring
- Måling av regelinteresse – støtte og konfidens
- Oppbygging av et regelsett med Apriori-prinsippet
Eksτρα
- Spark/PySpark/MLlib og Multi-armed bandits
Krav
Kunnskap om Python
Referanser (7)
Jeg nyttet oppgavene i treningen og sett stor verdi i den dypere inngående behandlingen av maskinlæring. Jeg apprecierte balansen mellom teori og praktiske anvendelser, spesielt de praksisbaserte kodingsøkterne. Treneren ga engasjerende eksempler og vel utformet øvelser som forbedret læringserleppet. Kursene dekket et stort spektrum av emner, og Abhi demonstrerte fremragende fagkunnskap ved å besvare alle spørsmål med tydlighet og enkelhet.
Valentina
Kurs - Machine Learning
Maskinoversatt
Jeg verdsette øvelsen som hjalp meg med å forstå teorien og bruke den trinn for trinn. Selv måten treneren forklarte alt på var enkel og tydelig. Det var lett å følge, selv om jeg ikke er så opplevelserik med Python, men jeg ville ikke la slippe muligheten til å lære noe som virkelig interesserte meg. Jeg verdsette også variasjonen i informasjon som ble gitt og trenerens tilgjengelighet for å forklare og støtte oss i forståelsen av konseptene. Etter dette kurset er maskinlæringskonseptene mye tydeligere for meg, og nå føler jeg at jeg har en retning og et bedre forståelse av emnet.
Cristina
Kurs - Machine Learning
Maskinoversatt
Til slutt av opplæringen kunne jeg se den virkelige bruksen for de presenterte emnene.
Daniel
Kurs - Machine Learning
Maskinoversatt
Jeg likte tempoet, jeg likte balansen mellom teori og praksis, de viktigste emnene som ble dekket, og måten instruktøren klarte å balansere alt på. Jeg liker også virkelig deres treningerinfrastruktur, det er meget praktisk å jobbe med VMs.
Andrei
Kurs - Machine Learning
Maskinoversatt
Hold det kort og enkelt. Opprette intuitiv forståelse og visuelle modeller rundt konseptene (beslutningsTre-graf, lineære ligninger, beregne y_pred manuelt for å vise hvordan modellen fungerer).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maskinoversatt
Det hjalp meg å oppnå målet mitt om å forstå ML. Mye respekt for Pablo for å gi en grundig innføring i dette emnet, da det blir tydelig etter tre dagers opplæring hvor vidtspennende dette er. Jeg har også veldig mykt likt ideen med virtuelle maskiner du har gitt, som hadde veldig godt svartid! Det gjorde at hver kursdeltaker kunne gjøre eksperimenter på egen hastighet.
Silviu - DB Global Technology
Kurs - Machine Learning
Maskinoversatt
Måten den praktiske delen, å se teorien materialiseres til noe praktisk, er fantastisk.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maskinoversatt
