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
Machine Learning
Εισαγωγή στο Machine Learning
- Εφαρμογές μηχανικής μάθησης
- Επίβλεψη έναντι μη εποπτευόμενης μάθησης
- Αλγόριθμοι μηχανικής μάθησης
- Οπισθοδρόμηση
- Ταξινόμηση
- Ομαδοποίηση
- Σύστημα συστάσεων
- Ανίχνευση ανωμαλιών
- Reinforcement Learning
Οπισθοδρόμηση
- Απλή & Πολλαπλή Παλινδρόμηση
- Μέθοδος ελάχιστου τετραγώνου
- Εκτίμηση των Συντελεστών
- Εκτίμηση της Ακρίβειας των Εκτιμήσεων των Συντελεστών
- Αξιολόγηση της Ακρίβειας του Μοντέλου
- Ανάλυση μετά την εκτίμηση
- Άλλες εκτιμήσεις σε μοντέλα παλινδρόμησης
- Ποιοτικοί Προγνωστικοί
- Επεκτάσεις Γραμμικών Μοντέλων
- Πιθανά προβλήματα
- Ανταλλαγή μεροληψίας-διακύμανσης (υπό προσαρμογή/υπερ-προσαρμογή) για μοντέλα παλινδρόμησης
Μέθοδοι επαναδειγματοληψίας
- Cross-Validation
- Η προσέγγιση του συνόλου επικύρωσης
- Διασταυρούμενη επικύρωση Leave-One-Out
- k-Fold Cross-Validation
- Μεροληψία-Variance Trade-Off για k-Fold
- Το Bootstrap
Επιλογή και τακτοποίηση μοντέλου
- Επιλογή υποσυνόλου
- Καλύτερη επιλογή υποσυνόλου
- Επιλογή σταδιακά
- Επιλέγοντας το βέλτιστο μοντέλο
- Μέθοδοι συρρίκνωσης/κανονισμός
- Παλινδρόμηση κορυφογραμμής
- Λάσο & Ελαστικό Δίχτυ
- Επιλογή της παραμέτρου συντονισμού
- Μέθοδοι μείωσης διαστάσεων
- Παλινδρόμηση βασικών συνιστωσών
- Μερικά ελάχιστα τετράγωνα
Ταξινόμηση
Logistic Regression
- Η συνάρτηση κόστους λογιστικού μοντέλου
- Εκτίμηση των Συντελεστών
- Κάνοντας Προβλέψεις
- Αναλογία πιθανοτήτων
- Πίνακες Αξιολόγησης Απόδοσης
- Ευαισθησία/Ειδικότητα/PPV/NPV
- Ακρίβεια
- Καμπύλη ROC
- Πολλαπλή Logistic Regression
- Logistic Regression για >2 τάξεις απόκρισης
- Τακτοποιημένη Logistic Regression
Γραμμική Διακριτική Ανάλυση
- Χρησιμοποιώντας το Θεώρημα του Bayes για ταξινόμηση
- Γραμμική Διακριτική Ανάλυση για p=1
- Γραμμική Διακριτική Ανάλυση για p>1
Ανάλυση Τετραγωνικής Διακρίσεως
Κ-Κοντινότεροι Γείτονες
- Ταξινόμηση με μη γραμμικά όρια απόφασης
Υποστήριξη διανυσματικά μηχανήματα
- Στόχος Βελτιστοποίησης
- Το Maximal Margin Classifier
- Πυρήνες
- Ταξινόμηση One-Versus-One
- Ταξινόμηση One-Versus-All
Σύγκριση μεθόδων ταξινόμησης
Deep Learning
Εισαγωγή στο Deep Learning
Τεχνητό Neural Networks (ANN)
- Bioλογικοί νευρώνες και τεχνητοί νευρώνες
- Μη γραμμική υπόθεση
- Μοντέλο αντιπροσώπευσης
- Παραδείγματα & Διαισθήσεις
- Λειτουργία μεταφοράς/Λειτουργίες ενεργοποίησης
- Τυπικές Τάξεις Αρχιτεκτονικών Δικτύων
- Feedforward ANN
- Δίκτυα προώθησης πολλαπλών επιπέδων
- Αλγόριθμος Backpropagation
- Backpropagation - Εκπαίδευση και Σύγκλιση
- Λειτουργική προσέγγιση με οπίσθια διάδοση
- Πρακτικά και Σχεδιαστικά Θέματα Εκμάθησης Backpropagation
Deep Learning
- Τεχνητή Νοημοσύνη & Deep Learning
- Παλινδρόμηση Softmax
- Αυτοδίδακτη Μάθηση
- Deep Networks
- Επιδείξεις και εφαρμογές
Εργαστήριο:
Ξεκινώντας με το R
- Εισαγωγή στο R
- Βασικές Εντολές & Βιβλιοθήκες
- Χειρισμός Δεδομένων
- Εισαγωγή & Εξαγωγή Δεδομένων
- Γραφικές και Αριθμητικές Περιλήψεις
- Λειτουργίες γραφής
Οπισθοδρόμηση
- Απλή & Πολλαπλή Γραμμική Παλινδρόμηση
- Όροι αλληλεπίδρασης
- Μη Γραμμικοί Μετασχηματισμοί
- Ψηφιακή μεταβλητή παλινδρόμηση
- Cross-Validation και το Bootstrap
- Μέθοδοι επιλογής υποσυνόλου
- Ποινικοποίηση (Ριτζ, Λάσο, Ελαστικό Δίχτυ)
Ταξινόμηση
- Logistic Regression, LDA, QDA και KNN
- Επαναδειγματοληψία & Τακτοποίηση
- Υποστήριξη διανυσματική μηχανή
Σημειώσεις:
- Για τους αλγόριθμους ML, θα χρησιμοποιηθούν μελέτες περιπτώσεων για να συζητηθεί η εφαρμογή, τα πλεονεκτήματα και τα πιθανά ζητήματα.
- Η ανάλυση διαφορετικών συνόλων δεδομένων θα πραγματοποιηθεί χρησιμοποιώντας το R.
Requirements
- Επιθυμητή είναι η βασική γνώση στατιστικών εννοιών
Ακροατήριο
- Επιστήμονες δεδομένων
- Μηχανικοί μηχανικής εκμάθησης
- Προγραμματιστές λογισμικού που ενδιαφέρονται για την τεχνητή νοημοσύνη
- Ερευνητές που εργάζονται με τη μοντελοποίηση δεδομένων
- Επαγγελματίες που θέλουν να εφαρμόσουν μηχανική μάθηση σε επιχειρήσεις ή βιομηχανία
21 Hours
Testimonials (6)
Είχαμε μια επισκόπηση σχετικά με τα Machine Learning, Neural Networks, AI με πρακτικά παραδείγματα.
Catalin - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
Τελευταία μέρα με το AI
Ovidiu - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
Τα παραδείγματα που επιλέχθηκαν, μοιράστηκαν μαζί μας και εξηγήθηκαν
Cristina - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
I really enjoyed the coverage and depth of topics.
Anirban Basu
Course - Machine Learning and Deep Learning
Machine Translated
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Course - Machine Learning and Deep Learning
Machine Translated
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Course - Machine Learning and Deep Learning
Machine Translated
