Plan Szkolenia

Podstawy Machine Learning

  • Wprowadzenie do koncepcji i przepływów pracy Machine Learning
  • Uczenie nadzorowane a nienadzorowane
  • Ocena modeli uczenia maszynowego: metryki i techniki

Metody bayesowskie

  • Naiwny Bayes i modele wielomianowe
  • Bayesowska analiza danych kategorycznych
  • Graficzne modele bayesowskie

Techniki regresji

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

Redukcja wymiarowości

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

Metody klasyfikacji

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

Neural Networks

  • Wprowadzenie do sieci neuronowych
  • Zastosowania głębokiego uczenia w klasyfikacji i regresji
  • Szkolenie i dostrajanie sieci neuronowych

Zaawansowane algorytmy i modele

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

Techniki klastrowania

  • Wprowadzenie do klastrowania i uczenia bez nadzoru
  • Popularne algorytmy klastrowania: K-Means, klastrowanie hierarchiczne
  • Przypadki użycia i praktyczne zastosowania klastrowania

Podsumowanie i kolejne kroki

Wymagania

  • Podstawowe zrozumienie statystyki i analizy danych
  • Programming doświadczenie w R, Python lub innych odpowiednich językach programowania

Uczestnicy

  • Naukowcy zajmujący się danymi
  • Statystycy
 14 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie