Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
План на курса
Алгоритми за машинно обучение в Julia
Въвеждащи понятия
- Контролирано и неконтролирано обучение Кръстосано валидиране и избор на модел Компромис пристрастие/вариация
Линейна и логистична регресия
(NaiveBayes & GLM)
- Уводни понятия Напасване на модели на линейна регресия Диагностика на модела Наивен Bayes Напасване на логистичен регресионен модел Диагностика на модела Методи за избор на модел
Разстояния
- Какво е разстояние? Euclidean Cityblock Косинус Корелация Mahalanobis Hamming MAD RMS Средно квадратно отклонение
Намаляване на размерността
- Анализ на основните компоненти (PCA) Линеен PCA Ядро PCA Вероятен PCA Независим CA
Основни концепции за регуляризация Регресия на хребет Регресия с ласо Регресия на главния компонент (PCR)
- Клъстеризиране
K-означава K-medoids DBSCAN Йерархично клъстериране Марков клъстерен алгоритъм Размито C-означава клъстериране
- Стандартни модели за машинно обучение
(пакети NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)
Концепции за усилване на градиента K най-близки съседи (KNN) Модели на дърво на решения Случайни горски модели XGboost EvoTrees Поддържани векторни машини (SVM)
- Изкуствени невронни мрежи
(Пакет Flux)
Стохастично градиентно спускане и стратегии Многослойни перцептрони подаване напред и обратно разпространение Регулиране Повторение невронни мрежи (RNN) Конволюционни невронни мрежи (Convnets) Автоенкодери Хиперпараметри
Изисквания
Този курс е предназначен за хора, които вече имат опит в науката за данните и статистиката.
21 Hours
