Plan Szkolenia

Algorytmy uczenia maszynowego w Julia

Pojęcia wprowadzające

    Uczenie nadzorowane i uczenie bez nadzoru Walidacja krzyżowa i wybór modelu Kompromis błędu systematycznego i wariancji

Liniowy i tłum; regresja logistyczna

(NaiveBayes & GLM)

    Pojęcia wprowadzające Dopasowywanie modeli regresji liniowej Diagnostyka modelu Naiwny Bayes Dopasowywanie modelu regresji logistycznej Diagnostyka modelu Metody wyboru modelu

Odległości

    Czym jest odległość? Euklidesowa Cityblock Cosinus Korelacja Mahalanobis Hamming MAD RMS Odchylenie średniokwadratowe

Redukcja wymiarowości

    Analiza głównych składowych (PCA) Liniowa PCA Kernel PCA Probabilistyczna PCA Niezależna CA
  • Zmienione metody regresji
  • Podstawowe pojęcia regularyzacji Regresja grzbietowa Regresja lasso Regresja składowych głównych (PCR)

      Klastrowanie

    K-średnie K-medoidy DBSCAN Klastrowanie hierarchiczne Algorytm klastrów Markowa Klastrowanie rozmyte C-średnich

      Standardowe modele uczenia maszynowego

    (pakiety NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)

    Koncepcje wzmocnienia gradientowego K najbliższych sąsiadów (KNN) Modele drzewa decyzyjnego Modele lasów losowych XGboost EvoTrees Maszyny wektorów nośnych (SVM)

      Sztuczne sieci neuronowe

    (Pakiet Flux)

    Stochastyczne zejście gradientowe & strategie Perceptrony wielowarstwowe z posuwem do przodu & propagacja wsteczna Regulacja Sieci neuronowe z rekurencją (RNN) Konwolucyjne sieci neuronowe (Convnets) Autoenkodery Hiperparametry

    Wymagania

    Ten kurs jest przeznaczony dla osób, które mają już doświadczenie w nauce o danych i statystyce.

     21 godzin

    Liczba uczestników


    cena netto za uczestnika

    Opinie uczestników (2)

    Propozycje terminów

    Powiązane Kategorie