Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εισαγωγή
Αυτή η ενότητα παρέχει μια γενική εισαγωγή για το πότε πρέπει να χρησιμοποιείται η «μηχανική εκμάθηση», τι πρέπει να λαμβάνεται υπόψη και τι σημαίνει όλα, συμπεριλαμβανομένων των πλεονεκτημάτων και των μειονεκτημάτων. Τύποι δεδομένων (δομημένος/μη δομημένος/στατικός/ροή), εγκυρότητα/όγκος δεδομένων, αναλύσεις βάσει δεδομένων έναντι αναλύσεων βάσει χρήστη, στατιστικά μοντέλα έναντι μοντέλων μηχανικής μάθησης/ προκλήσεις μη εποπτευόμενης μάθησης, αντιστάθμιση μεροληψίας-διακύμανσης, επανάληψη/αξιολόγηση, προσεγγίσεις διασταυρούμενης επικύρωσης , εποπτευόμενος/ανεπιτήρητος/ενίσχυση.
ΚΥΡΙΑ ΘΕΜΑΤΑ
1. Κατανόηση του αφελούς Bayes
- Βασικά εργαλεία των μεθόδων Bayesian
- Πιθανότητα
- Συνολική πιθανότητα
- Συνθετική πιθανότητα με το θεώρημα Bayes
- O αλγόριθμος naive Bayes
- Η κλάση naive Bayes
- O εκτιμητής Laplace
- Χρήση αριθμητικών χαρακτηριστικών με naive Bayes
2. Κατανόηση των δέντρων αποφάσεων
- Χωρίζε και νικά
- O αλγόριθμος C5.0 decision tree
- Επιλογή της καλύτερης διαχωριστικής γραμμής
- Σφυρίζειν το δέντρο απόφασης
3. Κατανόηση των νευρωνικών δικτύων
- Από βιολογικά σε ψευδονευρωνικά κύτταρα
- Ενεργοποιητικές λειτουργίες
- Τοπολογία των δικτύων
- Ο αριθμός των επιπέδων
- Η κατεύθυνση της πληροφορίας
- Ο αριθμός των νόδων σε κάθε επίπεδο
- Εκπαίδευση νευρωνικών δικτύων με backpropagation
- Deep Learning
4. Κατανόηση των Μηχανών Διανυσμάτων Υποστήριξης
- Ταξινόμηση με υπερεπίπεδα
- Βρες το μέγιστο ακρωτήριο
- Η περίπτωση δεδομένων που είναι γραμμικά άλυτα
- Η περίπτωση δεδομένων που δεν είναι γραμμικά άλυτα
- Χρήση κυλίνδρων για χώρους μη γραμμικού τύπου
5. Κατανόηση της ομαδοποίησης
- Ομαδοποίηση ως εργαλείο μηχανικής μάθησης
- O αλγόριθμος k-means για ομαδοποίηση
- Χρήση αποστάσεων για την προσωρινή και ενημέρωση των ομάδων
- Επιλογή του σωστού αριθμού ομάδων
6. Μέτρηση απόδοσης για ταξινόμηση
- Εργασία με δεδομένα πρόβλεψης ταξινόμησης
- Πιο κοντινή μετάθεση στις συχνότητες παραπλανητικών μητρώων
- Χρήση συχνότητες παραπλανητικών για τη μέτρηση απόδοσης
- Πέρα από την ακρίβεια – άλλες μέτρησες απόδοσης
- Η καταστατιστική kappa
- Ευαισθητότητα και ειδικότητα
- Προσεγγιστικότητα και αναζήτηση
- Η μέτρηση F-measure
- Βιβλίωση επιλογών απόδοσης
- ROC γραμμές
- Εκτεταμένη μελέτη μελλοντικής απόδοσης
- Η μέθοδος holdout
- Cross-validation
- Bootstrap δείγματα
7. Συντονισμός μοντέλων στοκ για καλύτερη απόδοση
- Χρήση caret για την ευθεία παραμετροποίηση
- Δημιουργία μιας απλής κατευθυνόμενης μοντέλων
- Προσαρμογή της διαδικασίας παραμετροποίησης
- Βελτίωση απόδοσης μοντέλου με meta-learning
- Συνειδητοποίηση συνθετικών
- Bagging
- Boosting
- Random forests
- Εκπαίδευση random forests
- Αξιολόγηση της απόδοσης random forest
ΜΙΚΡΑ ΘΕΜΑΤΑ
8. Κατανόηση της ταξινόμησης με χρήση των πλησιέστερων γειτόνων
- Ο αλγόριθμος kNN
- Υπολογισμός απόστασης
- Επιλογή ενός κατάλληλου k
- Προετοιμασία δεδομένων για χρήση με το kNN
- Γιατί είναι ο αλγόριθμος kNN περιποιητικός;
9. Κατανόηση των κανόνων ταξινόμησης
- Χωρίζε και νικά
- O αλγόριθμος One Rule
- O αλγόριθμος RIPPER
- Κανόνες από δέντρα απόφασης
10. Κατανόηση της παλινδρόμησης
- Απλή γραμμική παλινδρόμηση
- Τυπική εκτίμηση των μικρότερων τετραγώνων
- Συσχέτιση
- Πολλαπλή γραμμική παλινδρόμηση
11. Κατανόηση των δέντρων παλινδρόμησης και των δέντρων μοντέλων
- Προσθήκη παλινδρόμησης σε δέντρα
12. Κατανόηση των κανόνων σύνδεσης
- O αλγόριθμος Apriori για μάθηση κανόνων συνδέσης
- Μέτρηση ενδιαφέροντος του κανόνα – υποστήριξη και πίστη
- Σχεδιασμός μιας συνολικής ομάδας κανόνων με την αρχή Apriori
Πρόσθετα
- Spark/PySpark/MLlib και Multi-armed bandits
Requirements
Python Γνώση
21 Hours
Testimonials (7)
Θα ήθελα να εκφράσω την πλήρη μου χαρά για το διατυπωτικό και την αξία που έχει η βαθύτερη εισαγωγή στο θέμα Machine Learning. Εκτιμώ το ισοζύγιο μεταξύ θεωρίας και πρακτικών εφαρμογών, ειδικά τις ενέργειες κωδικοποίησης στο χέρι. Ο διδάσκων παρότρυνε με αξιοσημείωτους παραδείγματα και εὖ σχεδιασμένες ασκήσεις που ενισχύθηκε η διδακτική εμπειρία. Το μάθημα καλύπτει ευρύ φάσμα θεμάτων, και ο Abhi έδειξε αξιόλογη εξουσιοδότηση απαντώντας όλες τις ερωτήσεις με σαφήνεια και ευκολία.
Valentina
Course - Machine Learning
Machine Translated
Εκτιμούσα τον ασκητισμό που μου βοήθησε να καταλάβω τη θεωρία και να την εφαρμόσω βήμα προς βήμα. Ωστόσο, αξιοκέρδησα και τον τρόπο με τον οποίο ο διδάσκων εξήγησε όλα με λεπτομέρεια και σαφήνεια.Ήταν εύκολο να ακολουθήσω ακόμη και παρότι δεν έχω πολλή εμπειρία με το Python, όμως, δεν θέλαγα να χάσω την ευκαιρία να μάθω κάτι που με ενδιαφέρει πραγματικά. Εκτιμούσα επίσης την ποικιλία των πληροφοριών που προσέφεραν και τη διαθέσιμότητα του διδάσκοντα για να εξηγήσει και να μας υποστηρίξει στην κατανόηση των κονCEPTών. Μετά από αυτό το πρόγραμμα, τα concept του μηχανικού μάθησης είναι πολύ πιο σαφή για μένα και τώρα αισθάνομαι ότι έχω μια κατευθυνόμενη και καλύτερη κατανόηση του θέματος.
Cristina
Course - Machine Learning
Machine Translated
Στο τέλος της εκπαίδευσης, μπόρεσα να δω τις πραγματικές εφαρμογές των θεmatών που παρουσιάστηκαν. (Note: There seems to be a typo in the original text where "subjects" is misspelled as "θεmatών" in Greek. The correct word should be "θεμάτων". However, I followed the instruction not to modify or add anything beyond what was provided.)
Daniel
Course - Machine Learning
Machine Translated
Αρέσε μου η ταχύτητα, αρέσε μου ο ισοσκελισμός μεταξύ θεωρίας και πράξης, τα κύρια θέματα που επεξεργάστηκαν και η δυνατότητα του εκπαιδευτή να βάλει όλα σε ισοζύγιο. Αρέσε μου εξίσου πολύ η εκπαιδευτική δομή σας, εξαιρετικά πρακτική για να εργαστείς με VMs.
Andrei
Course - Machine Learning
Machine Translated
Κρατώντας το σύντομο και απλό. Δημιουργία διαίσθησης και οπτικών μοντέλων γύρω από τις έννοιες (γραφική παράσταση δέντρου αποφάσεων, γραμμικές εξισώσεις, υπολογισμός y_pred με μη αυτόματο τρόπο για να αποδείξετε πώς λειτουργεί το μοντέλο).
Nicolae - DB Global Technology
Course - Machine Learning
Machine Translated
Με βοήθησε να πετύχω τον στόχο μου να κατανοήσω την ML. Μεγάλο σεβασμό για τον Pablo που έκανε μια σωστή εισαγωγή σε αυτό το θέμα, αφού γίνεται φανερό μετά από 3 ημέρες εκπαίδευσης πόσο μεγάλο είναι αυτό το θέμα. Επίσης, έχω απολαύσει ΠΟΛΥ την ιδέα των εικονικών μηχανών που παρείχατε, οι οποίες είχαν πολύ καλό latency! Επέτρεπε σε κάθε μαθητή να κάνει πειράματα με τον δικό του ρυθμό.
Silviu - DB Global Technology
Course - Machine Learning
Machine Translated
Η πρακτική μέρη, όπου βλέπεις τη θεωρία να εμφανίζεται σε κάτι πρακτικό, είναι μεγάλη.
Lisa Fekade - Vodacom
Course - Machine Learning
Machine Translated
