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
- Βασικές έννοιες Μπεϋζιανών μεθόδων Πιθανότητα Κοινή πιθανότητα Πιθανότητα υπό όρους με το θεώρημα Bayes Ο αφελής αλγόριθμος Bayes Η αφελής ταξινόμηση Bayes Ο εκτιμητής Laplace Χρήση αριθμητικών χαρακτηριστικών με αφελή Bayes
2. Κατανόηση των δέντρων αποφάσεων
- Divide and conquer Ο αλγόριθμος του δέντρου αποφάσεων C5.0 Επιλογή του καλύτερου διαχωρισμού Κλάδεμα του δέντρου αποφάσεων
3. Κατανόηση των νευρωνικών δικτύων
- Από βιολογικούς σε τεχνητούς νευρώνες Λειτουργίες ενεργοποίησης Τοπολογία δικτύου Ο αριθμός των επιπέδων Η κατεύθυνση της διαδρομής της πληροφορίας Ο αριθμός των κόμβων σε κάθε στρώμα Εκπαίδευση νευρωνικών δικτύων με οπισθοδιάδοση Deep Learning
4. Κατανόηση των Μηχανών Διανυσμάτων Υποστήριξης
- Ταξινόμηση με υπερεπίπεδα Εύρεση του μέγιστου περιθωρίου Η περίπτωση των γραμμικά διαχωρίσιμων δεδομένων Η περίπτωση των μη γραμμικά διαχωρίσιμων δεδομένων Χρήση πυρήνων για μη γραμμικούς χώρους
5. Κατανόηση της ομαδοποίησης
- Ομαδοποίηση ως εργασία μηχανικής μάθησης Ο αλγόριθμος k-means για ομαδοποίηση Χρήση απόστασης για την εκχώρηση και ενημέρωση συστάδων Επιλογή του κατάλληλου αριθμού συστάδων
6. Μέτρηση απόδοσης για ταξινόμηση
- Εργασία με δεδομένα πρόβλεψης ταξινόμησης Μια πιο προσεκτική ματιά στους πίνακες σύγχυσης Χρήση πινάκων σύγχυσης για τη μέτρηση της απόδοσης Πέρα από την ακρίβεια – άλλα μέτρα απόδοσης Η στατιστική κάπα Ευαισθησία και ειδικότητα Ακρίβεια και ανάκληση Το μέτρο F Οπτικοποίηση αντισταθμίσεων απόδοσης καμπύλες ROC Εκτίμηση μελλοντικής απόδοσης Η μέθοδος διατήρησης Cross- επικύρωση Bootstrap δειγματοληψία
7. Συντονισμός μοντέλων στοκ για καλύτερη απόδοση
- Χρήση caret για αυτοματοποιημένο συντονισμό παραμέτρων Δημιουργία απλού συντονισμένου μοντέλου Προσαρμογή της διαδικασίας συντονισμού Βελτίωση της απόδοσης του μοντέλου με μετα-μάθηση Κατανόηση συνόλων Ενίσχυση τυχαίων δασών Εκπαίδευση τυχαίων δασών Αξιολόγηση τυχαίας απόδοσης δασών
ΜΙΚΡΑ ΘΕΜΑΤΑ
8. Κατανόηση της ταξινόμησης με χρήση των πλησιέστερων γειτόνων
- Ο αλγόριθμος kNN Υπολογισμός απόστασης Επιλογή κατάλληλου k Προετοιμασία δεδομένων για χρήση με kNN Γιατί είναι τεμπέλης ο αλγόριθμος kNN;
9. Κατανόηση των κανόνων ταξινόμησης
- Διαχωρίστε και κατακτήστε τον αλγόριθμο ενός κανόνα Ο αλγόριθμος RIPPER Κανόνες από δέντρα αποφάσεων
10. Κατανόηση της παλινδρόμησης
- Απλή γραμμική παλινδρόμηση Εκτίμηση συνηθισμένων ελαχίστων τετραγώνων Συσχετίσεις Πολλαπλή γραμμική παλινδρόμηση
11. Κατανόηση των δέντρων παλινδρόμησης και των δέντρων μοντέλων
- Προσθήκη παλινδρόμησης στα δέντρα
12. Κατανόηση των κανόνων σύνδεσης
- Ο αλγόριθμος Apriori για εκμάθηση κανόνων συσχέτισης Μέτρηση ενδιαφέροντος κανόνων – υποστήριξη και εμπιστοσύνη Δημιουργία ενός συνόλου κανόνων με την αρχή Apriori
Πρόσθετα
- Spark/PySpark/MLlib και Multi-armed ληστές
Testimonials (5)
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
The way practical part, seeing the theory materializing into something practical is great.
Lisa Fekade - Vodacom
Course - Machine Learning
It's just great that all material including the exercises is on the same page and then it gets updated on the fly. The solution is revealed at the end. Cool! Also, I do appreciate that Krzysztof took extra effort to understand our problems and suggested us possible techniques.
Attila Nagy - L M ERICSSON LIMITED
Course - Machine Learning
I liked the lab exercises.