Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
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
Απαιτήσεις
Python Γνώση
21 Ώρες
Σχόλια (7)
Απολάβα το εκπαιδευτικό πρόγραμμα και η χαρά μου ήταν μεγάλη για τη βαθύτερη ανάλυση στο θέμα της Μηχανικής Μάθησης. Εκτιμήθηκα η ισορροπία μεταξύ θεωρίας και πρακτικών εφαρμογών, ειδικά τα συνεδρία με χειροντική κώδικα. Ο εκπαιδευτής παρέσχε απολαυστικά παραδείγματα και καλά σχεδιασμένα άσκημα που ενισχύσαν την εμπειρία μάθησης. Το μάθημα κάλυψε μια ευρεία γama θεμάτων, και ο Abhi απέδειξε άριστη εκπεριότητα απαντώντας σε όλες τις ερωτήσεις με σαφήνεια και ευκολία.
Valentina
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Εκτιμήθηκα το άσκημα που με βοήθησε να κατανοήσω τη θεωρία και να τη εφαρμόσω βήμα σε βήμα. Επίσης, η τρόπος με τον οποίο ο εκπαιδευτικός εξήγησε πάντα με απλή και σαφή τρόπο. Ήταν εύκολο να ακολουθήσω, ακόμη και όμως δεν είμαι πολύ εμπειρογνώμων με το Python. Ωστόσο, δεν ήθελα να χάσω την ευκαιρία να μάθω κάτι που με ενδιέφερε πραγματικά. Εκτιμήθηκα επίσης την ποικιλία πληροφοριών που παροχθήκαν και τη διαθεσιμότητα του εκπαιδευτικού να μας εξηγήσει και υποστηρίξει στην κατανόηση των θεμάτων. Μετά από αυτό το μάθημα, οι εννοιές του μηχανικού μάθησης είναι πολύ σαφείς για μένα και νιώθω ότι έχω μια κατεύθυνση και καλύτερη κατανόηση του θέματος.
Cristina
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Στο τέλος της κατάρτισης, μπόρεσα να δω την πρακτική εφαρμογή των θεμάτων που παρουσιάστηκαν.
Daniel
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Μου άρεσε το ρυθμός, μου άρεσε η ισορροπία μεταξύ θεωρίας και πράξης, τα βασικά θέματα που καλύφθηκαν και ο τρόπος με τον οποίο ο εκπαιδευτής ήταν σε θέση να ισορροπήσει όλα. Μου αρέσει επίσης πολύ η εκπαιδευτική υποδομή σας, πολύ πρακτική για την εργασία με VMs.
Andrei
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Κρατώντας το σύντομο και απλό. Δημιουργία ιδιαίτερης προσαίθησης και οπτικών μοντέλων γύρω από τις έννοιες (διάγραμμα δέντρου αποφάσεων, γραμμικές εξισώσεις, υπολογισμός y_pred χειροκίνητα για να δείξουμε πώς λειτουργεί το μοντέλο).
Nicolae - DB Global Technology
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Με βοήθησε να επιτύχω τον στόχο μου να καταλάβω την ML. Πολύ αξία για τον Πάβλο που παρέσχε εγκυρή εισαγωγή σε αυτό το θέμα, καθώς γίνεται φανερό μετά από 3 ημέρες εκπαίδευσης πόσο εκτεταμένο είναι. Επιλαβήκα επίσης και σε μεγάλο βαθμό της ιδέας των εικονικών μηχανών που προσέφερες, οι οποίες είχαν πολύ καλή χρονοβάθμιση! Διευκόλυνε κάθε συμμετέχοντα να διεξάγει πειράματα με το δικό του ρυθμό.
Silviu - DB Global Technology
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
Η πρακτική πλευρά, δηλαδή το να βλέπεις τη θεωρία να γίνεται κάτι πρακτικό, είναι μεγάλη.
Lisa Fekade - Vodacom
Κομμάτι - Machine Learning
Μηχανική Μετάφραση
