Course Outline

Εισαγωγή στην εξόρυξη δεδομένων και Machine Learning

    Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή προκατάληψης-διακύμανσης

Οπισθοδρόμηση

    Γραμμική παλινδρόμηση Γενικεύσεις και Ασκήσεις Μη γραμμικότητας

Ταξινόμηση

    Μπεϋζιανή ανανέωση Naive Bayes Διακριτική ανάλυση Λογιστική παλινδρόμηση K-Κοντινότεροι γείτονες Υποστήριξη διανυσματικές μηχανές Νευρωνικά δίκτυα Δέντρα αποφάσεων Ασκήσεις

Διασταυρούμενη επικύρωση και επαναδειγματοληψία

    Προσεγγίσεις διασταυρούμενης επικύρωσης Bootstrap Ασκήσεις

Μάθηση χωρίς επίβλεψη

    Ομαδοποίηση K-means Παραδείγματα Προκλήσεις μάθησης χωρίς επίβλεψη και πέρα από το K-means

Προχωρημένα θέματα

    Μοντέλα συνόλου Μικτά μοντέλα Ενίσχυση Παραδείγματα

Πολυδιάστατη μείωση

    Παραδείγματα ανάλυσης βασικών συνιστωσών της παραγοντικής ανάλυσης

Requirements

Αυτό το μάθημα αποτελεί μέρος του συνόλου δεξιοτήτων του Data Scientist (Τομέας: Αναλυτικές τεχνικές και μέθοδοι)

  14 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (1)

Related Courses

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

  21 Hours

Related Categories