Course Outline

Εισαγωγή στην Εφαρμοσμένη Machine Learning

    Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή προκατάληψης-διακύμανσης

Μηχανική μάθηση με Python

    Επιλογή βιβλιοθηκών Πρόσθετα εργαλεία

Οπισθοδρόμηση

    Γραμμική παλινδρόμηση Γενικεύσεις και Ασκήσεις Μη γραμμικότητας

Ταξινόμηση

    Μπεϋζιανή ανανέωση Naive Bayes Logistic regression K-Κοντινότεροι γείτονες Ασκήσεις

Διασταυρούμενη επικύρωση και επαναδειγματοληψία

    Προσεγγίσεις διασταυρούμενης επικύρωσης Bootstrap Ασκήσεις

Μάθηση χωρίς επίβλεψη

    Ομαδοποίηση K-means Παραδείγματα Προκλήσεις μάθησης χωρίς επίβλεψη και πέρα από το K-means

Requirements

Γνώση Python γλώσσας προγραμματισμού. Συνιστάται βασική εξοικείωση με τη στατιστική και τη γραμμική άλγεβρα.

  14 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (5)

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories