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
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