План на курса

  1. Предварителна обработка на данни

    1. Data Cleaning
    2. Интеграция и трансформация на данни
    3. Намаляване на данните
    4. Дискретизация и генериране на концептуална йерархия
  2. Статистически извод

    1. Вероятностни разпределения, Случайни променливи, Централна гранична теорема
    2. Вземане на проби
    3. Доверителни интервали
    4. Статистически извод
    5. Проверка на хипотези
  3. Многомерна линейна регресия

    1. Спецификация
    2. Избор на подмножество
    3. Оценка
    4. Валидиране
    5. Прогноза
  4. Методи за класификация

    1. Логистична регресия
    2. Линеен дискриминантен анализ
    3. K-най-близки съседи
    4. Наивен Бейс
    5. Сравнение на методите за класификация
  5. Neural Networks

    1. Напасване на невронни мрежи
    2. Проблеми с обучението на невронни мрежи
  6. Дървета на решенията

    1. Регресионни дървета
    2. Класификационни дървета
    3. Дървета срещу линейни модели
  7. Пакетиране, Random Forests, Подсилване

    1. Пакетиране
    2. Random Forests
    3. Подсилване
  8. Поддръжка на векторни машини и гъвкав диск

    1. Класификатор за максимален марж
    2. Поддържайте векторни класификатори
    3. Поддържащи векторни машини
    4. 2 и повече класа SVM
    5. Връзка с логистичната регресия
  9. Анализ на основните компоненти

  10. Клъстеризиране

    1. K-означава групиране
    2. Групиране на K-medoids
    3. Йерархично групиране
    4. Групиране на базата на плътност
  11. Оценка и избор на модел

    1. Отклонение, дисперсия и сложност на модела
    2. Грешка при прогнозиране в извадката
    3. Байесовият подход
    4. Кръстосано валидиране
    5. Bootstrap методи
 28 Часа

Брой участници


Цена за участник

Oтзиви от потребители (5)

Предстоящи Курсове

Свързани Kатегории