Kursplan

Maskinlæringsalgoritmer i Julia

Innledende konsepter

    Veiledet og uovervåket læring Kryssvalidering og modellvalg Bias/variance tradeoff

Lineær og logistisk regresjon

(NaiveBayes og GLM)

    Innledende konsepter Tilpasning av lineære regresjonsmodeller Modelldiagnostikk Naive Bayes Tilpasning av en logistisk regresjonsmodell Modelldisgnostikk Metoder for modellvalg

Avstander

    Hva er en avstand? Euklidisk byblokk kosinuskorrelasjon Mahalanobis Hamming MAD RMS Gjennomsnittlig kvadratavvik

Dimensjonsreduksjon

    Hovedkomponentanalyse (PCA) Lineær PCA-kjerne PCA Probabilistisk PCA Uavhengig CA
Flerdimensjonal skalering
  • Endrede regresjonsmetoder
  • Grunnleggende begreper om regularisering Ridge-regresjon Lasso-regresjon Hovedkomponentregresjon (PCR)

      Gruppering

    K-betyr K-medoider DBSCAN Hierarkisk clustering Markov Cluster Algoritme Fuzzy C-betyr clustering

      Standard maskinlæringsmodeller

    (NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM-pakker)

    Gradientforsterkende konsepter K nærmeste naboer (KNN) Beslutningstremodeller Tilfeldige skogmodeller XGboost EvoTrees Support vektormaskiner (SVM)

      Kunstige nevrale nettverk

    (Flux-pakke)

    Stokastisk gradientnedstigning og strategier Flerlags perseptroner fremover feed & back forplantning Regularisering Gjentakende nevrale nettverk (RNN) Konvolusjonelle nevrale nettverk (Convnets) Autoenkodere Hyperparametere

    Krav

    Dette kurset er beregnet på personer som allerede har bakgrunn innen datavitenskap og statistikk.

      21 timer

    Antall deltakere



    Price per participant

    Relaterte kurs

    Related Categories