Εξέλιξη Κομματιού

Machine Learning Algorithms in Julia

Αρχικά Έννοιες

  • Εποπτικό και μη-εποπτικό μάθηση
  • Στρατηγική διαμόρφωσης αλγόριθμου και επιλογή μοντέλου
  • Συμβατικό tradeoff bias/variance

Γραμμική και Logistic Regression

(NaiveBayes & GLM)

  • Αρχικά Έννοιες
  • Εξατομικευμένη διαμόρφωση γραμμικών μοντέλων
  • Διάγνωση του μοντέλου
  • Naive Bayes
  • Εξατομικευμένη διαμόρφωση logistic regression μοντέλου
  • Διάγνωση του μοντέλου
  • Μεθόδοι επιλογής μοντέλου

Αποστάσεις

  • Τι είναι απόσταση;
  • Euclidean
  • Cityblock
  • Cosine
  • Correlation
  • Mahalanobis
  • Hamming
  • MAD
  • RMS
  • Mean squared deviation

Μείωση Διαστάσεων

  • Principal Component Analysis (PCA)
    • Γραμμική PCA
    • Kernel PCA
    • Πιθανοφάντικη PCA
    • Independent CA
  • Multidimensional scaling

Αλλοιερημένες Μεθόδους Regression

  • Βασικές Έννοιες Regularization
  • Ridge regression
  • Lasso regression
  • Principal component regression (PCR)

Κλάστερ-άναλυση

  • K-means
  • K-medoids
  • DBSCAN
  • Ιεραρχική κλάστερ-άναλυση
  • Markov Cluster Algorithm
  • Fuzzy C-means clustering

Κανονικά Μοντέλα Machine Learning

(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM packages)

  • Έννοιες Gradient boosting
  • K nearest neighbours (KNN)
  • Decision tree models
  • Random forest models
  • XGboost
  • EvoTrees
  • Support vector machines (SVM)

Τεχνητά Νευρωνικά Δίκτυα

(Flux package)

  • Stochastic gradient descent & strategies
  • Πολυστρωματικά perceptrons forward feed & back propagation
  • Regularization
  • Recurrence neural networks (RNN)
  • Convolutional neural networks (Convnets)
  • Autoencoders
  • Hyperparameters

Απαιτήσεις

Αυτό το μάθημα απευθύνεται σε ατομά που ήδη διαθέτουν εμπειρία και γνώσεις στην επιστήμη των δεδομένων και τη στατιστική.

 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (2)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες