План на курса
Машинно обучение
Въведение в Machine Learning
- Приложения на машинно обучение Контролирано срещу неконтролирано обучение Алгоритми за машинно обучение Регресия Класификация Клъстериране Препоръчител Откриване на аномалии в системата Reinforcement Learning
Регресия
- Проста и множествена регресия Метод на най-малкия квадрат Оценка на коефициентите Оценка на точността на оценките на коефициента Оценка на точността на модела Анализ след оценка Други съображения в моделите на регресия Качествени предиктори Разширения на линейните модели Потенциални проблеми Компромис с дисперсия на отклонение [недостатъчно приспособяване /over-fitting] за регресионни модели
Методи за повторно вземане на проби
- Кръстосано валидиране Подходът за набор за валидиране Leave-One-Out Cross-Validation k-Fold Cross-Validation Bias-Variance Trade-Off for k-Fold The Bootstrap
Избор и регулиране на модел
- Избор на подмножество [Избор на най-добро подмножество, поетапен избор, избор на оптимален модел] Методи на свиване/ Регулиране [Регресия на гребен, ласо и еластична мрежа] Избор на параметъра за настройка Методи за намаляване на размерите Основни компоненти Регресия Частични най-малки квадрати
Класификация
- Логистична регресия Разходната функция на логистичния модел Оценка на коефициентите Изготвяне на прогнози Съотношение на коефициентите Матрици за оценка на ефективността [Чувствителност/Специфичност/PPV/NPV, Прецизност, ROC крива и т.н.] Множествена логистична регресия Логистична регресия за >2 класа на отговор Регулярна логистична регресия
Подаване напред ANN.
Структури на многослойни захранващи мрежи Алгоритъм за обратно разпространение Обратно разпространение - обучение и конвергенция Функционална апроксимация с обратно разпространение Практически и дизайнерски проблеми на обучението за обратно разпространение
- Deep Learning
Изкуствен интелект и Deep Learning Softmax Regression Самообучаващо се обучение Deep Networks Демонстрации и приложения
- лаборатория:
Първи стъпки с R
- Въведение в R Основни команди и библиотеки Манипулиране на данни Импортиране и експортиране на данни Графични и числени резюмета Функции за писане
Регресия
Проста и множествена линейна регресия Условия за взаимодействие Нелинейни трансформации Регресия с фиктивна променлива Кръстосано валидиране и Bootstrap Методи за избор на подмножество Наказание [Ридж, Ласо, Еластична мрежа]
- Класификация
Логистична регресия, LDA, QDA и KNN, повторно вземане на проби и регулация Поддръжка на векторна машина Повторно вземане на проби и регулация
- Забележка:
За алгоритмите за машинно обучение ще се използват казуси за обсъждане на тяхното приложение, предимства и потенциални проблеми. Анализът на различни набори от данни ще бъде извършен с помощта на R
Изисквания
Желателни са основни познания по статистически концепции.
Oтзиви от потребители (4)
Имахме преглед на Machine Learning, Neural Networks, AI с практически примери.
Catalin - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
Последен ден с AI
Ovidiu - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
Примерите, които бяха избрани, споделени с нас и обяснени
Cristina - DB Global Technology SRL
Course - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics