План на курса

Въведение в приложното Machine Learning

    Статистическо обучение срещу машинно обучение Итерация и оценка Компромис от отклонение-вариация

Регресия

    Линейна регресия. Обобщения и упражнения за нелинейност

Класификация

    Bayesian refresher Наивен Bayes Логистична регресия K-най-близки съседи Упражнения

Кръстосано валидиране и повторно вземане на проби

    Подходи за кръстосано валидиране Bootstrap Упражнения

Учене без надзор

    Примери за групиране на K-означава Предизвикателства на неконтролираното учене и извън K-означава

Изисквания

Владеене на езика за програмиране R. Препоръчва се основно познаване на статистиката и линейната алгебра.

  14 Hours
 

Брой участници


Започва

Свършва


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Свързани Kурсове

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Свързани Kатегории