Съдържание и теми, включени в курса
Въведение
Този раздел предоставя общо въведение за това кога да се използва „машинно обучение“, какво трябва да се има предвид и какво означава всичко това, включително плюсовете и минусите. Типове данни (структурирани/неструктурирани/статични/поточни), валидност/обем на данните, анализи, управлявани от данни спрямо управлявани от потребителя, статистически модели спрямо модели за машинно обучение/ предизвикателства на обучението без надзор, компромис между отклонение и дисперсия, итерация/оценка, подходи за кръстосано валидиране, обучение с надзор/без надзор/с подсилване.
ОСНОВНИ ТЕМИ
1. Разбиране на Наивен Бейс
- Основни концепции на Бейсовите методи
- Вероятност
- Съвместна вероятност
- Условна вероятност с теоремата на Бейс
- Алгоритъмът Наивен Бейс
- Класификация с Наивен Бейс
- Оценката на Лаплас
- Използване на числови характеристики с Наивен Бейс
2. Разбиране на дърветата на решенията
- Разделяй и владей
- Алгоритъмът за дърво на решенията C5.0
- Избор на най-доброто разделяне
- Подрязване на дървото на решенията
3. Разбиране на невронните мрежи
- От биологични към изкуствени неврони
- Функции на активиране
- Топология на мрежата
- Броят на слоевете
- Посоката на разпространение на информацията
- Броят на възлите във всеки слой
- Обучение на невронни мрежи с обратно разпространение
- Дълбоко обучение
4. Разбиране на опорните векторни машини
- Класификация с хиперравнини
- Намиране на максималния марж
- Случаят с линейно разделими данни
- Случаят с нелинейно разделими данни
- Използване на ядра за нелинейни пространства
5. Разбиране на клъстерирането
- Клъстерирането като задача на машинното обучение
- Алгоритъмът k-means за клъстериране
- Използване на разстояние за присвояване и актуализиране на клъстери
- Избор на подходящ брой клъстери
6. Измерване на ефективността при класификация
- Работа с данни от прогнози за класификация
- По-подробен поглед върху матриците на объркване
- Използване на матрици на объркване за измерване на ефективността
- Отвъд точността – други мерки за ефективност
- Статистиката капа
- Чувствителност и специфичност
- Прецизност и извикване
- F-мярката
- Визуализиране на компромисите в ефективността
- ROC криви
- Оценяване на бъдещата ефективност
- Методът на задържане
- Кръстосано валидиране
- Бутстрап извадка
7. Настройка на стандартни модели за по-добра ефективност
- Използване на caret за автоматизирана настройка на параметри
- Създаване на прост настроен модел
- Персонализиране на процеса на настройка
- Подобряване на ефективността на модела с мета-обучение
- Разбиране на ансамблите
- Бегинг
- Буустинг
- Случайни гори
- Обучение на случайни гори
- Оценяване на ефективността на случайни гори
ВТОРОСТЕПЕННИ ТЕМИ
8. Разбиране на класификацията с помощта на най-близките съседи
- Алгоритъмът kNN
- Изчисляване на разстояние
- Избор на подходящо k
- Подготовка на данни за използване с kNN
- Защо алгоритъмът kNN е „мързелив“?
9. Разбиране на правилата за класификация
- Разделяй и владей
- Алгоритъмът One Rule
- Алгоритъмът RIPPER
- Правила от дървета на решенията
10. Разбиране на регресията
- Проста линейна регресия
- Оценка по метода на най-малките квадрати
- Корелации
- Множествена линейна регресия
11. Разбиране на регресионни дървета и моделни дървета
- Добавяне на регресия към дърветата
12. Разбиране на асоциативните правила
- Алгоритъмът Apriori за обучение на асоциативни правила
- Измерване на интереса към правило – подкрепа и достоверност
- Изграждане на набор от правила с принципа Apriori
Допълнения
- Spark/PySpark/MLlib и многораменни бандити
Изисквания
Познания по Python
Отзиви от участници (7)
Бях гледам обучението и оценявам по-дълбокото разглеждане на темата за машинното учене. Оцених баланса между теорията и практически приложения, особено практическите сесии с кодиране. Инструкторът предостави интересни примери и добре концептуализирани упражнения, които подобриха обучаването. Курсът обхващаше широк спектър от теми, а Абхи демонстрира отлична експертиза, отговаряйки на всички въпроси с яснота и лесност.
Valentina
Курс - Machine Learning
Машинен превод
Ценя упражнението, което ми помогна да разбера теорията и я приложа постепенно. Така също оценявам начинът, по който тренерът обясняваше всичко просто и ясно. Беше лесно за следване, дори и аз да не бях много опитан в Python, все пак не исках да пропусна възможността да научя нещо, което наистина ми е интересно. Оценявам също разнообразието на информацията, предоставена и готовността на тренера да обяснява и ни подкрепя в разбирането на концепциите. След този курс, концепцията за машинно учене ми е много по-ясна, а сега чувствам, че имам насока и по-добро разбиране на темата.
Cristina
Курс - Machine Learning
Машинен превод
Към края на обучението мога да видя реалното приложение на предstawените теми.
Daniel
Курс - Machine Learning
Машинен превод
Ми ми хареса темпото, ми хареса баланцът между теорията и практиката, основните теми, които се разглеждаха, и начинът, по който треньорът успя да подреди всичко. Освен това ми хареса вашата инфраструктура за обучение, много praktично е да работим с VMs.
Andrei
Курс - Machine Learning
Машинен превод
Подобрянето на интуицията и визуализацията на концепциите (графика на дърво на решения, линейни уравнения, ръчно изчисляване на y_pred за доказателство как работи модела).
Nicolae - DB Global Technology
Курс - Machine Learning
Машинен превод
То ми помогна да постигна целта си за разбиране на ML. Много уважение към Пабло за предоставената подходяща въведение в тази тема, тъй като след 3 дни обучение става очевидно колко обширок е този предмет. Насладих се много и на идеята за виртуалните машини, които предоставихте, тъй като те имаха много добри задължителни реакции! Това позволи на всеки курсант да провежда експерименти по собствен темп.
Silviu - DB Global Technology
Курс - Machine Learning
Машинен превод
Начинът практическа част, виждайки теорията да се превръща в нещо практически полезно, е голяма придобивка.
Lisa Fekade - Vodacom
Курс - Machine Learning
Машинен превод
