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
1. Κατανόηση της κατηγοριοποίησης χρησιμοποιώντας πλησιέστερους γείτονες
- Ο αλγόριθμος kNN
- Υπολογισμός αποστάσεων
- Επιλογή κατάλληλου k
- Προετοιμασία δεδομένων για χρήση με τον kNN
- Γιατί ο αλγόριθμος kNN είναι καθυστερημένος;
2. Κατανόηση του Naive Bayes
- Βασικά χαρακτηριστικά των Μεθόδων Bayesian
- Πιθανότητα
- Συνδυαστική πιθανότητα
- Θεώρημα Bayes και συνθετική πιθανότητα
- O αλγόριθμος Naive Bayes
- Η κατηγοριοποίηση Naive Bayes
- Ο εκτιμητής Laplace
- Χρήση αριθμητικών χαρακτηριστικών με το Naive Bayes
3. Κατανόηση δένδρων απόφασης
- Διαιρέσεις και εκμάχημα
- O αλγόριθμος C5.0 για δένδρα απόφασης
- Επιλογή του καλύτερου διαχωρισμού
- Προυποδοχή των δένδρων απόφασης
4. Κατανόηση κανόνων κατηγοριοποίησης
- Χωρισμοί και εκμάχημα
- O αλγόριθμος One Rule
- O αλγόριθμος RIPPER
- Κανόνες από δέντρα απόφασης
5. Κατανόηση των πολυώνυμων σχέσεων (Regression)
- Απλή γραμμική πολυωνυμική σχέση
- Μέθοδος των ελάχιστων τετραγώνων (OLS)
- Συσχετίσεις
- Πολυπλοκή γραμμική πολυωνυμική σχέση
6. Κατανόηση δένδρων και μοντέλων πολυωνυμικής σχέσης (Regression Trees and Model Trees)
- Προσθήκη πολυωνυμικής σχέσης σε δέντρα
7. Κατανόηση των νευρωνικών δικτύων (Neural Networks)
- Από βιολογικά σε τεχνητά νευρώνια
- Συναρμολογιστικές λειτουργίες (Activation functions)
- Τοποθεσία δικτύων (Network topology)
- To πλήθος των συμβολοσειρών
- H κατεύθυνση μετάδοσης πληροφορίας
- To πλήθος των σημείων σε κάθε συμβολοσειρά
- Εκπαίδευση νευρωνικών δικτύων με την αναδρομική εξάλειψη (backpropagation)
8. Κατανόηση των Support Vector Machines (SVMs)
- Κατηγοριοποίηση με υπερεπιπέδους (hyperplanes)
- H εύρεση του μέγιστου περιθώρου
- To περίπτωμα γραμμικά χωρίσιμων δεδομένων
- To περίπτωμα μη-γραμμικά χωρίσιμων δεδομένων
- Χρήση πυρήνων (kernels) για μη-γραμμικά χώρους
9. Κατανόηση των κανόνων συσχετισμού (Association Rules)
- O αλγόριθμος Apriori για μάθηση κανόνων συσχετισμού
- Μέτρηση του ενδιαφέροντος των κανόνων – υποστήριξη (support) και βεβαιότητα (confidence)
- Κατασκευή ενός συνόλου κανόνων με την αρχή Apriori
10. Κατανόηση συστημάτων συσχετισμού (Clustering)
- To σύστημα συσχετισμού ως εργασία μηχανικής μάθησης
- O αλγόριθμος k-means για συσχετισμό
- Χρήση αποστάσεων για κατανομή και ενημέρωση συστημάτων συσχετισμού
- Επιλογή του κατάλληλου αριθμού συσχετιζόμενων ομάδων (clusters)
11. Μέτρηση επιδόσεως για κατηγοριοποίηση
- Εργασία με δεδομένα πρόβλεψης κατηγοριοποίησης
- Πιο ολοκληρωμένη εξέταση των πινάκων σύγχυσης (confusion matrices)
- Χρήση πινάκων σύγχυσης για μέτρηση επιδόσεως
- Πέρα από τον ποσοστό ακρίβειας – άλλα μέτρα επιδόσεως
- To κυριολεκτικό kappa
- Η ευαισθησία (sensitivity) και η συγκέντρωση (specificity)
- Η ακρίβεια (precision) και ο ρυθμός ανάκλησης (recall)
- To F-μέτρο
- Οπτικοποίηση εμπορευματικών διαθέσεων
- Καμπύλες ROC (Receiver Operating Characteristic)
- Εκτίμηση μελλοντικής επιδόσεως
- To μέθοδος διαιρέσεων (holdout method)
- Η συσχετική εξέταση (cross-validation)
- Η μεθοδολογία bootstrap sampling
12. Μετάβαση σε αντικειμενοφυλακές για καλύτερη επίδοση
- Χρήση caret για αυτόματη παράμετρη ρύθμιση (parameter tuning)
- Δημιουργία απλού εξαλειφθέντος μοντέλου
- Προσαρμογή της διαδικασίας ρύθμισης (tuning process)
- Βελτίωση της επίδοσης μοντέλου με την μετα-μάθηση (meta-learning)
- Κατανόηση συνόλων (ensembles)
- To bagging
- To boosting
- To random forests
- Εκπαίδευση του random forests
- Αξιολόγηση της επίδοσης του random forests
13. Βαθύ μάθημα (Deep Learning)
- Τρεις κλάσεις βαθυού μαθήματος
- Βαθιά αυτοκωδικοί (Deep Autoencoders)
- Προεκπαιδευμένα βαθιά νευρωνικά δίκτυα
- Βαθιά στελέχωση δικτύων (Deep Stacking Networks)
14. Συζήτηση για συγκεκριμένες εφαρμογές
21 Ώρες
Σχόλια (1)
Very flexible.
Frank Ueltzhoffer
Κομμάτι - Artificial Neural Networks, Machine Learning and Deep Thinking
Μηχανική Μετάφραση
