Course Outline

Θεμέλια του Machine Learning

  • Εισαγωγή στις Machine Learning έννοιες και ροές εργασίας
  • Επίβλεψη έναντι μη εποπτευόμενης μάθησης
  • Αξιολόγηση μοντέλων μηχανικής μάθησης: μετρήσεις και τεχνικές

Μπεϋζιανές Μέθοδοι

  • Naive Bayes και πολυωνυμικά μοντέλα
  • Κατηγορική ανάλυση δεδομένων Bayes
  • Μπεϋζιανά γραφικά μοντέλα

Τεχνικές παλινδρόμησης

  • Γραμμική παλινδρόμηση
  • Λογιστική παλινδρόμηση
  • Γενικευμένα Γραμμικά Μοντέλα (GLM)
  • Μικτά μοντέλα και μοντέλα πρόσθετων

Μείωση διαστάσεων

  • Ανάλυση κύριου στοιχείου (PCA)
  • Παραγοντική Ανάλυση (FA)
  • Ανεξάρτητη Ανάλυση Στοιχείων (ICA)

Μέθοδοι ταξινόμησης

  • K-Κοντινότεροι Γείτονες (KNN)
  • Υποστήριξη διανυσματικών μηχανών (SVM) για παλινδρόμηση και ταξινόμηση
  • Μοντέλα Boosting και Ensemble

Neural Networks

  • Εισαγωγή στα νευρωνικά δίκτυα
  • Εφαρμογές της βαθιάς μάθησης στην ταξινόμηση και παλινδρόμηση
  • Εκπαίδευση και συντονισμός νευρωνικών δικτύων

Προηγμένοι αλγόριθμοι και μοντέλα

  • Hidden Markov Models (HMM)
  • Κρατικά Διαστημικά Μοντέλα
  • Αλγόριθμος EM

Τεχνικές Ομαδοποίησης

  • Εισαγωγή στη ομαδοποίηση και μάθηση χωρίς επίβλεψη
  • Δημοφιλείς αλγόριθμοι ομαδοποίησης: K-Means, Hierarchical Clustering
  • Περιπτώσεις χρήσης και πρακτικές εφαρμογές της ομαδοποίησης

Περίληψη και Επόμενα Βήματα

Requirements

  • Βασική κατανόηση στατιστικών και ανάλυση δεδομένων
  • Programming εμπειρία σε R, Python ή άλλες σχετικές γλώσσες προγραμματισμού

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Στατιστικοί
 14 Hours

Number of participants


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories