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
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.
21 timer
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
