Plan Szkolenia

Podstawy Uczenia Maszynowego

  • Wprowadzenie do koncepcji i procesów Uczenia Maszynowego
  • Uczenie nadzorowane vs. nienadzorowane
  • Ocena modeli uczenia maszynowego: metryki i techniki

Metody Bayesa

  • Naiwny Bayes i modele wielomianowe
  • Bayesowska analiza danych kategorycznych
  • Bayesowskie modele graficzne

Techniki Regresji

  • Regresja liniowa
  • Regresja logistyczna
  • Uogólnione modele liniowe (GLM)
  • Modele mieszane i addytywne

Redukcja Wymiarowości

  • Analiza głównych składowych (PCA)
  • Analiza czynnikowa (FA)
  • Analiza niezależnych składowych (ICA)

Metody Klasyfikacji

  • K-Najbliżsi Sąsiedzi (KNN)
  • Maszyny wektorów nośnych (SVM) do regresji i klasyfikacji
  • Boosting i modele zespołowe

Sieci Neuronowe

  • Wprowadzenie do sieci neuronowych
  • Zastosowania głębokiego uczenia w klasyfikacji i regresji
  • Trenowanie i strojenie sieci neuronowych

Zaawansowane Algorytmy i Modele

  • Ukryte modele Markowa (HMM)
  • Modele przestrzeni stanów
  • Algorytm EM

Techniki Grupowania

  • Wprowadzenie do grupowania i uczenia nienadzorowanego
  • Popularne algorytmy grupowania: K-Means, Grupowanie hierarchiczne
  • Przypadki użycia i praktyczne zastosowania grupowania

Podsumowanie i kolejne kroki

Wymagania

  • Podstawowa znajomość statystyki i analizy danych
  • Doświadczenie w programowaniu w R, Pythonie lub innych odpowiednich językach programowania

Grupa docelowa

  • Data scientist
  • Statystycy
 14 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie