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
- Въведение в машинното обучение Видове машинно обучение – контролирано срещу неконтролирано обучение От статистическо обучение към машинно обучение Работният поток за извличане на данни: Бизнес разбиране Разбиране на данни Подготовка на данни Моделиране Оценка Внедряване Алгоритми за машинно обучение Избор на подходящ алгоритъм за проблема Пренастройване и компромис с отклонение в ML ML библиотеки и езици за програмиране Защо да използвате език за програмиране Избор между R и Python Python интензивен курс Python ресурси Python библиотеки за машинно обучение Jupyter преносими компютри и интерактивно кодиране Тестване на ML алгоритми Обобщаване и пренастройване Избягване на пренастройване Метод на задържане Кръстосано валидиране Bootstrapping Оценяване на числени прогнози Мерки за точност: ME, MSE, RMSE, MAPE Стабилност на параметрите и прогнозите Оценка на алгоритмите за класифициране Точност и нейните проблеми Матрицата на объркването Проблем с небалансираните класове Визуализиране на производителността на модела Крива на печалба ROC Крива на повдигане Избор на модел Настройка на модел – стратегии за търсене в мрежа Примери в Python Подготовка на данни Импортиране и съхранение на данни Разберете данните – основни изследвания Манипулации на данни с библиотека pandas Трансформации на данни – Разбор на данни Проучвателен анализ Липсващи наблюдения – откриване и решения Извънредности – откриване и стратегии Стандартизация, нормализация, бинаризация Качествено записване на данни Примери в Python Класификация Двоична срещу многокласова класификация Класификация чрез математически функции Линейна дискриминантни функции Квадратични дискриминантни функции Логистична регресия и вероятностен подход k-най-близки съседи Наивни Bayes Дървета на решенията CART Bagging Random Forests Увеличаване Xgboost Поддържащи векторни машини и ядра Максимален маржин класификатор Поддържащ векторен машинен ансамбъл обучение Примери в Python Регресия и числено прогнозиране Оценка на най-малките квадрати Променливи техники за селекция Регулярност и стабилност- L1, L2 Нелинейности и обобщени най-малки квадрати Полиномиална регресия Регресионни сплайнове Регресионни дървета Примери в Python Неконтролирано обучение Клъстериране Базирано на центроид клъстериране – k-средни, k-medoids, PAM, CLARA Йерархично клъстериране – Diana, Agnes Model- базирано на клъстериране - EM Самоорганизиращи се карти Оценка и оценка на клъстери Намаляване на размерността Анализ на основните компоненти и факторен анализ Декомпозиция на сингулярна стойност Многоизмерно мащабиране Примери в Python Извличане на текст Предварителна обработка на данни Моделът на чантата с думи Стихиране и лемизация Анализиране на честотите на думите Анализ на настроението Създаване на облаци от думи Примери в Python Recommendations двигатели и съвместно филтриране Данни за препоръки Базирано на потребителя съвместно филтриране Съвместно филтриране на базата на елементи Примери в Python Извличане на модели на асоциации Алгоритъм за често срещани артикули Анализ на пазарната кошница Примери в Python Outlier Analysis Анализ на екстремни стойности Откриване на извънредни стойности Базирано на разстояние Методи, базирани на плътност откриване на извънредни размери Примери в казус за машинно обучение на Python Разбиране на бизнес проблеми Предварителна обработка на данни Избор и настройка на алгоритъм Оценка на констатациите Внедряване
Изисквания
Познаване и осъзнаване на Machine Learning основи
21 Hours
Oтзиви от потребители (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Course - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Course - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
