Course Outline

1. Κατανόηση της ταξινόμησης με χρήση πλησιέστερων γειτόνων

    Ο αλγόριθμος kNN Υπολογισμός απόστασης Επιλογή κατάλληλου k Προετοιμασία δεδομένων για χρήση με kNN Γιατί είναι τεμπέλης ο αλγόριθμος kNN;

2. Κατανοώντας τον αφελή 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

3. Κατανόηση των δέντρων αποφάσεων

    Divide and conquer Ο αλγόριθμος του δέντρου αποφάσεων C5.0 Επιλογή του καλύτερου διαχωρισμού Κλάδεμα του δέντρου αποφάσεων

4. Κατανόηση κανόνων ταξινόμησης

    Διαχωρίστε και κατακτήστε τον αλγόριθμο ενός κανόνα Ο αλγόριθμος RIPPER Κανόνες από δέντρα αποφάσεων

5. Κατανόηση της παλινδρόμησης

    Απλή γραμμική παλινδρόμηση Εκτίμηση συνηθισμένων ελαχίστων τετραγώνων Συσχετίσεις Πολλαπλή γραμμική παλινδρόμηση

6. Κατανόηση των δέντρων παλινδρόμησης και των δέντρων μοντέλων

    Προσθήκη παλινδρόμησης στα δέντρα

7. 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 επίπεδο Εκπαίδευση νευρωνικών δικτύων με οπίσθια διάδοση

8. 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

9. 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

10. 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

11. 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

12. 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

13. Deep Learning

    Τρεις κατηγορίες Deep Learning Deep Autoencoders Προεκπαιδευμένα Deep Neural Networks Deep Stacking Networks

14. Συζήτηση Ειδικών Περιοχών Εφαρμογής

  21 Hours

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Testimonials (1)

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories