Course Outline
Μηχανική μάθηση
Εισαγωγή στο Machine Learning
- Εφαρμογές μηχανικής μάθησης Εποπτευόμενος έναντι μη εποπτευόμενος αλγόριθμοι εκμάθησης μηχανικής εκμάθησης Ταξινόμηση παλινδρόμησης Συστάδες Σύσταση Συστήματος Ανίχνευση ανωμαλιών Reinforcement Learning
Οπισθοδρόμηση
- Απλή & Πολλαπλή Παλινδρόμηση Ελαχίστου Τετράγωνου Μέθοδος Εκτίμηση των Συντελεστών Εκτίμηση της Ακρίβειας των Εκτιμήσεων Συντελεστών Αξιολόγηση της Ακρίβειας του Μοντέλου Ανάλυση Εκτίμησης Μετά την Εκτίμηση Άλλες Θεωρήσεις στα Μοντέλα Παλινδρόμησης Ποιοτικοί Προγνωστικοί Επεκτάσεις των Γραμμικών Μοντέλων Πιθανά προβλήματα Μεροληψία-ανταλλαγή /over-fitting] για μοντέλα παλινδρόμησης
Μέθοδοι επαναδειγματοληψίας
- Cross-Validation The Validation Set Approach Leave-One-Out Cross-Validation k-Fold Cross-Validation Bias-Variance Trade-off για k-Fold The Bootstrap
Επιλογή και τακτοποίηση μοντέλου
- Επιλογή υποσυνόλου [Καλύτερη επιλογή υποσυνόλου, σταδιακή επιλογή, επιλογή του βέλτιστου μοντέλου] Μέθοδοι συρρίκνωσης/ Τακτοποίηση [Ridge Regression, Lasso & Elastic Net] Επιλογή της παραμέτρου συντονισμού Μέθοδοι μείωσης διάστασης Βασικά στοιχεία Παλινδρόμηση Μερικά ελάχιστα τετράγωνα
Ταξινόμηση
- Λογιστική παλινδρόμηση Η συνάρτηση κόστους λογιστικού μοντέλου Εκτίμηση των συντελεστών Πραγματοποίηση προβλέψεων Πίνακες αξιολόγησης απόδοσης Λόγος πιθανοτήτων [Ευαισθησία/Ειδικότητα/PPV/NPV, Ακρίβεια, καμπύλη ROC κ.λπ.] Πολλαπλή λογιστική παλινδρόμηση Λογιστική παλινδρόμηση για >2 τάξεις απόκρισης λογιστική κανονική
Προώθηση ANN.
Δομές δικτύων πολλαπλών επιπέδων τροφοδοσίας προς τα εμπρός Αλγόριθμος αντίστροφης διάδοσης Πίσω διάδοση - εκπαίδευση και σύγκλιση Λειτουργική προσέγγιση με πίσω διάδοση Πρακτικά και σχεδιαστικά ζητήματα μάθησης οπίσθιας διάδοσης
- Deep Learning
Τεχνητή Νοημοσύνη & Deep Learning Επιδείξεις και Εφαρμογές Αυτοδίδακτης Εκμάθησης Τεχνητής Νοημοσύνης & Softmax Regression
- Εργαστήριο:
Ξεκινώντας με το R
- Εισαγωγή στις βασικές εντολές και βιβλιοθήκες R. Χειρισμός δεδομένων Εισαγωγή και εξαγωγή δεδομένων Γραφικές και αριθμητικές περιλήψεις Συναρτήσεις γραφής
Οπισθοδρόμηση
Απλοί και πολλαπλοί όροι αλληλεπίδρασης γραμμικής παλινδρόμησης Μη γραμμικοί μετασχηματισμοί Παλινδρόμηση ψευδούς μεταβλητής Διασταυρούμενη επικύρωση και Bootstrap Μέθοδοι επιλογής υποσυνόλου Ποινικοποίηση [Ridge, Lasso, Elastic Net]
- Ταξινόμηση
Λογιστική παλινδρόμηση, LDA, QDA και KNN, Υποστήριξη επαναδειγματοληψίας και τακτοποίησης διανυσματικών επαναδειγματοληψίας και τακτοποίησης μηχανών
- Σημείωση:
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.
Testimonials (4)
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
Coverage and depth of topics