Course Outline

  1. Εισαγωγή στην ML
    • Το μηχανικό μάθηση ως τμήμα της Τεχνητής Νοημοσύνης
    • Είδη μηχανικού μάθηση
    • Λογισμικά προγράμματα ML
    • Προκλήσεις και δυνατές εφαρμογές του μηχανικού μάθηση
    • Overfitting και trade-off bias-variance στο ML
  2. Τεχνικές μηχανικού μάθηση
    • Η Machine Learning Διαδικασία
    • Εποπτικό μάθηση – Ταξινόμηση, Παραμέτρωση
    • Ανεποπτικό μάθηση – Συγκρότηση, Ανίχνευση ανωμαλιών
    • Εξειδικευμένο εποπτικό μάθηση και Reinforcement Learning
    • Αναφορά στην Machine Learning
  3. Προετοιμασία Δεδομένων
    • Προετοιμασία και μετατροπή δεδομένων
    • Σχεδιασμός χαρακτηριστικών
    • Μεγέθιμο σχεδιασμός
    • Ελάχιστευση διαστάσεων και επιλογή μεταβλητών
    • Προβολή δεδομένων
    • Ανακατασκευή αναζήτησης
  4. Μελέτες περιπτώσεων
    • Προετοιμασία χαρακτηριστικών και επίδρασή τους στα αποτελέσματα στην γραμμική παραμέτρωση για πρόβλεψη
    • Ανάλυση χρονοσειρών και Forecasting μηνιαίου τόμου πώλησης - βασικές μεθόδους, επεξεργασία σεζόν, παραμέτρωση, εκθετική ζυγοποίηση, ARIMA, νευρωνικά δίκτυα
    • Ανάλυση καλαθιών αγορών και εξόδου κανόνων συνδέσεων
    • Σχεδιασμός με τη χρήση συγκρότησης και αυτο-οργάνωσης μεθόδων
    • Ταξινόμηση ποιος πελάτης είναι πιθανό να ξεπέρασε χρέους του χρηματοδοτή με χρήση λογιστικής παραμέτρωσης, δεντρών απόφασης, xgboost, svm

Requirements

Γνώση και επίγνωση των Machine Learning θεμελιωδών στοιχείων

 14 Hours

Number of participants


Price per participant

Testimonials (2)

Upcoming Courses

Related Categories