Course Outline

Εισαγωγή στην Εφαρμοσμένη Machine Learning

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

Εποπτευόμενη μάθηση και μάθηση χωρίς επίβλεψη

    Machine Learning Γλώσσες, τύποι και παραδείγματα Εποπτευόμενη έναντι μη εποπτευόμενης εκμάθησης

Εποπτευόμενη μάθηση

    Δένδρα αποφάσεων Random Forests Model Evaluation

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

Εκμάθηση χωρίς επίβλεψη

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

Νευρωνικά δίκτυα

    Επίπεδα και κόμβοι Python βιβλιοθήκες νευρωνικών δικτύων Εργασία με scikit-learn Εργασία με PyBrain Deep Learning

Requirements

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

  28 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 (2)

Related Courses

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

  21 Hours

Related Categories