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
Εισαγωγή στο Neural Networks
Εισαγωγή στην Εφαρμοσμένη Machine Learning
- Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή προκατάληψης-διακύμανσης
Μηχανική μάθηση με Python
- Επιλογή βιβλιοθηκών Πρόσθετα εργαλεία
Έννοιες και εφαρμογές μηχανικής μάθησης
Οπισθοδρόμηση
- Γραμμική παλινδρόμηση Γενικεύσεις και περιπτώσεις χρήσης μη γραμμικότητας
Ταξινόμηση
- Μπεϋζιανή ανανέωση Naive Bayes Logistic regression K-Κοντινότεροι γείτονες Use Cases
Διασταυρούμενη επικύρωση και επαναδειγματοληψία
- Η διασταυρούμενη επικύρωση προσεγγίζει το Bootstrap Use Cases
Εκμάθηση χωρίς επίβλεψη
- Ομαδοποίηση K-means Παραδείγματα Προκλήσεις μάθησης χωρίς επίβλεψη και πέρα από το K-means
Σύντομη εισαγωγή στις μεθόδους NLP
- λέξη και πρόταση συμβολική ταξινόμηση κειμένου ταξινόμηση συναίσθημα ανάλυση ορθογραφία διόρθωση πληροφοριών εξαγωγή ανάλυση νόημα εξαγωγή ερώτηση απάντηση απάντηση
Τεχνητή Νοημοσύνη & Deep Learning
Τεχνική Επισκόπηση
- R v/s Python Caffe v/s Tensor Flow Διάφορες βιβλιοθήκες μηχανικής εκμάθησης
Μελέτες περίπτωσης βιομηχανίας
Requirements
- Θα πρέπει να έχει βασικές γνώσεις λειτουργίας της επιχείρησης, καθώς και τεχνικές γνώσεις
- Πρέπει να έχει βασική κατανόηση λογισμικού και συστημάτων
- Βασική κατανόηση του Statistics (σε επίπεδα Excel)
Testimonials (1)
The enthusiasm to the topic. The examples he made an he explained it very well. Sympatic. A little to detailed for beginners. For managers, it could be more abstract in fewer days. But it was designed to fit and we had a good alignment in advance.