Kursplan
Maskinlæring
Introduksjon til Machine Learning
- Anvendelser av maskinlæring overvåket versus uovervåket læring Maskinlæringsalgoritmer Regresjonsklassifisering Clustering-anbefaling Systemavviksdeteksjon Reinforcement Learning
Regresjon
- Enkel og multippel regresjon minst kvadratisk metode Estimere koeffisientene Vurdere nøyaktigheten til koeffisientestimatene Vurdere nøyaktigheten til modellen Etter estimeringsanalyse Andre vurderinger i regresjonsmodellene Kvalitative prediktorer Utvidelser av de lineære modellene Potensielle problemer Bias-varians avveining [undertilpasning /overtilpasning] for regresjonsmodeller
Metoder for ny prøvetaking
- Kryssvalidering Valideringssettmetoden Leave-One-Out Kryssvalidering k-Fold Kryssvalidering Bias-Varians Trade-Off for k-Fold The Bootstrap
Modellvalg og Regularisering
- Delsettvalg [Beste delsettvalg, trinnvis valg, valg av den optimale modellen] Krympemetoder/ Regularisering [Ridge-regresjon, lasso og elastisk nett] Velge innstillingsparameter Dimensjonsreduksjonsmetoder Hovedkomponenter Regresjon Delvis minste kvadrater
Klassifisering
- Logistisk regresjon Logistikkmodellens kostnadsfunksjon Estimering av koeffisientene Gjøre spådommer Oddsforhold Ytelsesevalueringsmatriser [Sensitivitet/spesifisitet/PPV/NPV, presisjon, ROC-kurve etc.] Multippel logistisk regresjon Logistisk regresjon for >2 responsklasser Regularisert logistisk regresjon
Sped frem ANN.
Strukturer av flerlags feed forward-nettverk Tilbakeforplantningsalgoritme Tilbakeforplantning - trening og konvergens Funksjonell tilnærming med tilbakepropagasjon Praktiske og designmessige problemer med tilbakepropageringslæring
- Deep Learning
Kunstig intelligens og Deep Learning Softmax regresjon selvlært læring Deep Networks Demoer og applikasjoner
- Lab:
Komme i gang med R
- Introduksjon til R Grunnleggende kommandoer og biblioteker Datamanipulering Importere og eksportere data Grafiske og numeriske sammendrag Skrivefunksjoner
Regresjon
Enkel og multiple lineær regresjonsinteraksjonsvilkår Ikke-lineære transformasjoner Dummy variabel regresjon Kryssvalidering og Bootstrap delsettvalgmetodene Penalisering [Ridge, Lasso, Elastic Net]
- Klassifisering
Logistisk regresjon, LDA, QDA og KNN, Resampling & Regularization Support Vector Machine Resampling & Regularization
- Merk:
For ML-algoritmer vil casestudier bli brukt til å diskutere deres anvendelse, fordeler og potensielle problemer. Analyse av forskjellige datasett vil bli utført ved hjelp av R
Krav
Grunnleggende kunnskap om statistiske begreper er ønskelig.
Testimonials (4)
Vi hadde en oversikt over Machine Learning, Neural Networks, AI med praktiske eksempler.
Catalin - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Siste dag med AI
Ovidiu - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Eksemplene som ble plukket ut, delt med oss og forklart
Cristina - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics