Course Outline

Εισαγωγή στην Εφαρμοσμένη Machine Learning

    Στατιστική μάθηση έναντι μηχανικής μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή προκατάληψης-διακύμανσης

Μηχανική μάθηση με Scala

    Επιλογή βιβλιοθηκών Πρόσθετα εργαλεία

Οπισθοδρόμηση

    Γραμμική παλινδρόμηση Γενικεύσεις και Ασκήσεις Μη γραμμικότητας

Ταξινόμηση

    Μπεϋζιανή ανανέωση Naive Bayes Logistic regression K-Κοντινότεροι γείτονες Ασκήσεις

Διασταυρούμενη επικύρωση και επαναδειγματοληψία

    Προσεγγίσεις διασταυρούμενης επικύρωσης Bootstrap Ασκήσεις

Μάθηση χωρίς επίβλεψη

    Ομαδοποίηση K-means Παραδείγματα Προκλήσεις μάθησης χωρίς επίβλεψη και πέρα από το K-means

Requirements

Γνώση γλώσσας προγραμματισμού Java/Scala. Συνιστάται βασική εξοικείωση με τη στατιστική και τη γραμμική άλγεβρα.

  14 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories