Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Machine Learning Innføring
- Typer av maskinlæring – overvåket vs. uovervåket
- Fra statistisk lære til maskinlæring
- Datautvinningens arbeidsflyt: forståelse av forretningsbehov, datapreparering, modellering, innføring
- Å velge riktig algoritme for oppgaven
- Overfitting og bias-variance tradeoff
Python og oversikt over ML-biblioteker
- Hvorfor bruke programmeringsspråk for ML
- Å velge mellom R og Python
- Python grunnkurs og Jupyter Notebooks
- Python biblioteker: pandas, NumPy, scikit-learn, matplotlib, seaborn
Testing og vurdering av ML-algoritmer
- Generalisering, overfitting, og modellvalidering
- Vurderingsstrategier: holdout, kryssvalidering, bootstrapping
- Metrikker for regresjon: ME, MSE, RMSE, MAPE
- Metrikker for klassifisering: nøyaktighet, forvirringmatrise, ubalanserte klasser
- Visualisering av modellytelse: profitkurve, ROC-kurve, lift-kurve
- Modellvalg og grid search for tuning
Datapreparering
- Dataimport og lagring i Python
- Eksplorativ analyse og sammenfatningsstatistikk
- Håndtering av manglende verdier og utliggere
- Standardisering, normalisering og transformasjon
- Kvalitativ datakoding og databehandling med pandas
Klassifiseringsalgoritmer
- Binær vs. flerklasset klassifisering
- Logistisk regresjon og diskriminerende funksjoner
- Naïve Bayes, k-nearest neighbors
- Beslutningstrær: CART, Random Forests, Bagging, Boosting, XGBoost
- Support Vector Machines og kjerner
- Ensemble-læringsmetoder
Regresjon og numerisk prediksjon
- Minste kvadraters metode og variabelvalg
- Regulariseringsmetoder: L1, L2
- Polynomial regresjon og ikke-lineære modeller
- Regresjonstrær og splines
Unsupervised Learning
- Klusterteknikker: k-means, k-medoids, hierarkisk klustering, SOMs
- Redusere dimensjonalitet: PCA, faktoranalyse, SVD
- Multidimensjonal skaling
Tekstmining
- Tekstforbehandling og tokenisering
- Bag-of-words, stemming, og lemmatisering
- Sentimentanalyse og ordfrekvens
- Visualisering av tekstdata med ordskyer
Anbefalingssystemer
- Brukerbasert og elementbasert kollaborativ filtrering
- Design og vurdering av anbefalingssystemer
Assosiasjonsmønstermining
- Hyppige elementer og Apriori-algoritmen
- Markedsbasketanalyse og lift-forhold
Avviksdeteksjon
- Analyse av ekstremverdier
- Avstandsbaserte og tetthetsbaserte metoder
- Avviksdeteksjon i høydimensjonal data
Machine Learning Case Study
- Forstå forretningsproblemet
- Datapreparering og feature engineering
- Modellvalg og parameterjustering
- Vurdering og presentasjon av funn
- Innføring
Oppsummering og neste steg
Krav
- Grunnleggende forståelse av statistikk og lineær algebra
- Kjennskap til dataanalyse eller forretningsintelligensbegreper
- Noen erfaring med programmering (helst Python eller R) anbefales
- Interesse for å lære applikert maskinlæring for data-drevne prosjekter
Målgruppe
- Dataanalytikere og forskere
- Statistikerer og forskningsprofesjonelle
- Utviklere og IT-profesjonelle som utforsker maskinlæringsverktøy
- Alle som er involvert i datafaglige eller prediktive analytiske prosjekter
21 timer
Testimonials (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurs - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurs - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
