Plan Szkolenia
Nauczanie maszynowe
Wprowadzenie do Machine Learning
- Zastosowania uczenia maszynowego Uczenie nadzorowane i nienadzorowane Uczenie maszynowe Algorytmy Regresja Klasyfikacja Klastrowanie Zalecanie Wykrywanie anomalii systemowych Reinforcement Learning
Regresja
- Regresja prosta i wielokrotna Metoda najmniejszych kwadratów Estymacja współczynników Ocena dokładności estymacji współczynników Ocena dokładności modelu Analiza po estymacji Inne rozważania w modelach regresji Predyktory jakościowe Rozszerzenia modeli liniowych Potencjalne problemy Kompromis wariancji błędu systematycznego [niedopasowanie /over-fitting] dla modeli regresji
Metody ponownego próbkowania
- Walidacja krzyżowa Podejście zbioru walidacyjnego Pomiń jeden wynik Walidacja krzyżowa k-krotnie Walidacja krzyżowa Kompromis błędu systematycznego i wariancji dla k-krotnie Bootstrap
Wybór modelu i regularyzacja
- Wybór podzbioru [Wybór najlepszego podzbioru, Wybór krokowy, Wybór modelu optymalnego] Metody skurczu/regularyzacja [Regresja grzbietowa, Lasso i siatka elastyczna] Wybór parametru dostrajania Metody redukcji wymiarów Główne składowe Regresja Częściowe metodą najmniejszych kwadratów
Klasyfikacja
- Regresja logistyczna Funkcja kosztu modelu logistycznego Oszacowanie współczynników Dokonywanie prognoz Iloraz szans Macierze oceny wydajności [Czułość/specyficzność/PPV/NPV, precyzja, krzywa ROC itp.] Regresja wielokrotna logistyczna Regresja logistyczna dla > 2 klas odpowiedzi Uregulowana regresja logistyczna
Podaj dalej ANN.
Struktury wielowarstwowych sieci ze sprzężeniem zwrotnym Algorytm propagacji wstecznej Propagacja wsteczna - uczenie i konwergencja Aproksymacja funkcjonalna z propagacją wsteczną Zagadnienia praktyczne i projektowe uczenia się z propagacją wsteczną
- Deep Learning
Sztuczna inteligencja i Deep Learning Regresja Softmax Uczenie się samouków Dema i aplikacje w głębokich sieciach
- Laboratorium:
Pierwsze kroki z R
- Wprowadzenie do podstawowych poleceń i bibliotek języka R Manipulacja danymi Importowanie i eksportowanie danych Podsumowania graficzne i numeryczne Funkcje pisania
Regresja
Prosta i wielokrotna regresja liniowa Warunki interakcji Przekształcenia nieliniowe Regresja zmiennych fikcyjnych Walidacja krzyżowa i Bootstrap Metody wyboru podzbioru Penalizacja [Ridge, Lasso, Elastic Net]
- Klasyfikacja
Regresja logistyczna, LDA, QDA i KNN, obsługa ponownego próbkowania i regularyzacji Ponowne próbkowanie i regularyzacja maszyn wektorowych
- Notatka:
W przypadku algorytmów ML zostaną wykorzystane studia przypadków w celu omówienia ich zastosowania, zalet i potencjalnych problemów. Analiza różnych zbiorów danych zostanie przeprowadzona przy użyciu R
Wymagania
Pożądana jest podstawowa znajomość pojęć statystycznych.
Opinie uczestników (5)
We had an overview about Machine Learning, Neural Networks, AI with practical examples.
Catalin - DB Global Technology SRL
Szkolenie - Machine Learning and Deep Learning
Last day with the AI
Ovidiu - DB Global Technology SRL
Szkolenie - Machine Learning and Deep Learning
The examples that were picked, shared with us and explained
Cristina - DB Global Technology SRL
Szkolenie - Machine Learning and Deep Learning
I really enjoyed the coverage and depth of topics.
Anirban Basu
Szkolenie - Machine Learning and Deep Learning
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.