Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Αλγόριθμοι μηχανικής μάθησης στο Julia
Εισαγωγικές έννοιες
- Εποπτευόμενη και μη εποπτευόμενη μάθηση Διασταυρούμενη επικύρωση και επιλογή μοντέλου Ανταλλαγή μεροληψίας/διακύμανσης
Γραμμική & λογιστική παλινδρόμηση
(NaiveBayes & GLM)
- Εισαγωγικές έννοιες Προσαρμογή μοντέλων γραμμικής παλινδρόμησης Διαγνωστικά μοντέλων Naive Bayes Προσαρμογή μοντέλου λογιστικής παλινδρόμησης Διαγνωστικά μοντέλων Μέθοδοι επιλογής μοντέλου
Αποστάσεις
- Τι είναι απόσταση; Ευκλείδειος συσχετισμός συνημιτονικού μπλοκ πόλεων Mahalanobis Hamming MAD RMS Μέση τετραγωνική απόκλιση
Μείωση διαστάσεων
- Ανάλυση κύριας συνιστώσας (PCA) Γραμμική Πυρήνα PCA Πιθανολογική PCA Ανεξάρτητη CA
Βασικές έννοιες της τακτοποίησης Παλινδρόμηση κορυφογραμμής Παλινδρόμηση λάσο Παλινδρόμηση κύριας συνιστώσας (PCR)
- Ομαδοποίηση
K-means K-medoids DBSCAN Ιεραρχική ομαδοποίηση Markov Cluster Algorithm Fuzzy C-means clustering
- Τυπικά μοντέλα μηχανικής μάθησης
(Πακέτα NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)
Έννοιες ενίσχυσης κλίσης K πλησιέστεροι γείτονες (KNN) Μοντέλα δέντρων αποφάσεων Μοντέλα τυχαίων δασών XGboost EvoTrees Υποστήριξη διανυσματικών μηχανών (SVM)
- Τεχνητά νευρωνικά δίκτυα
(Πακέτο Flux)
Κάθοδος και στρατηγικές στοχαστικής κλίσης Πολυστρωματικά perceptron προς τα εμπρός και πίσω διάδοση Τακτοποίηση Επαναληπτικά νευρωνικά δίκτυα (RNN) Συνελικτικά νευρωνικά δίκτυα (Convnets) Αυτοκωδικοποιητές Υπερπαράμετροι
Requirements
Αυτό το μάθημα προορίζεται για άτομα που έχουν ήδη ένα υπόβαθρο στην επιστήμη των δεδομένων και τη στατιστική.
21 Hours