Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere
Această secțiune oferă o introducere generală cu privire la situațiile în care se utilizează 'machine learning', ce ar trebui luat în considerare și ce înseamnă toate acestea, inclusiv avantajele și dezavantajele. Tipuri de date (structurate/ne-structurate/statice/în flux), validitatea/volumul de date, analiza bazată pe date vs. analiza bazată pe utilizator, modele statistice vs. modele de învățare automată/ provocările învățării nesupravegheate, compromisul părtinire-varianță, iterație/evaluare, abordări de validare încrucișată, supervizat/ne-supravegheat/reforțare.
TEMATICI MAJORE.
1. Înțelegerea lui Bayes naiv
- Conceptele de bază ale metodelor bayesiene
- Probabilitate
- Probabilitate jointă
- Probabilitate condițională cu teorema lui Bayes
- Algoritmul Bayes naiv
- Clasificarea Bayes naiv
- Estimatoarele Laplace
- Utilizarea caracteristicilor numerice cu Bayes naiv
2. Înțelegerea arborilor de decizie
- Divizează și conquerează
- Algoritmul arborelui de decizie C5.0
- Alegerea celei mai bune împărțiri
- Tăierea arborelui de decizie
3. Înțelegerea rețelelor neuronale
- Din neuroni biologici la artificiali
- Funcțiile de activare
- Topologia rețelei
- Numărul stratelor
- Sensul călătoriei informației
- Numărul nodurilor din fiecare strat
- Treinarea rețelelor neuronale cu retropropagare
- Deep Learning
4. Înțelegerea mașinilor vectoriale de suport
- Clasificarea cu iperplane
- Găsirea marginii maxime
- Cazul datelor separabile liniar
- Cazul datelor ne-separabile liniar
- Utilizarea nucleurilor pentru spații non-linare
5. Înțelegerea grupării
- Gruparea ca sarcina de învățare automată
- Algoritmul k-means pentru grupare
- Utilizarea distanței pentru a atribui și actualiza grupurile
- Alegerea numărului adecvat de grupuri
6. Măsurarea performanței pentru clasificare
- Munca cu datele de predicție ale clasificării
- O privire mai atentă la matricea de confuzie
- Utilizarea matricelor de confuzie pentru a măsura performanța
- Peste acuratețe – alte măsurători ale performanței
- Statisticile kappa
- Sensibilitate și specificitate
- Precizie și recall
- Măsuratorile F
- Vizualizarea compromisurilor de performanță
- Curbelor ROC
- Estimarea viitoarei performanțe
- Metoda rezervării
- Validarea încrucișată
- Bootstrap eșantionaj
7. Reglarea modelelor de stoc pentru o performanță mai bună
- Utilizarea caretului pentru reglare automată a parametrilor
- Creați un model simplu ajustat
- Personalizarea procesului de ajustare
- Îmbunătățirea performanței modelelor cu învățarea meta
- Comprende legăturile
- Bagging
- Boosting
- Păduri aleatorii
- Treinarea pădurilor aleatoare
- Evaluarea performanței pădurilor aleatoare
TEME MINORE
8. Înțelegerea clasificării cu ajutorul celor mai apropiați vecini
- Algoritmul kNN
- Calea distanței
- Alegerea unui k adecvat
- Pregătirea datelor pentru utilizare cu kNN
- De ce algoritmul kNN este leneș?
9. Înțelegerea regulilor de clasificare
- Separate și conquerează
- Algoritmul One Rule
- Algoritmul RIPPER
- Reguli din arborele de decizie
10. Înțelegerea regresiei
- Regressia liniară simplă
- Estimarea celor mai mici pătrate obișnuite
- Corespunzător
- Regressia liniară multiplă
11. Înțelegerea arborilor de regresie și a arborilor model
- Adăugarea regresiei la arborele
12. Înțelegerea regulilor de asociere
- Algoritmul Apriori pentru învățare cu reguli de asociere
- Măsurarea interesului regulelor – suport și încredere
- Construirea unui set de reguli cu principiul Apriori
Extras
- Spark/PySpark/MLlib și Multi-armed bandits
Cerințe
Python Cunoaștere
21 ore
Mărturii (7)
Mi-am înfruptat cu încântare instruirea și mi-a plăcut abordarea mai detaliată a subiectului Machine Learning. Am apreciat echilibrul dintre teorie și aplicații practice, în special sesiunile de codare practică. Formatorul a oferit exemple captivante și exerciții bine concepute care au consolidat experiența de învățare. Cursul a acoperit o gamă largă de subiecte, iar Abhi a demonstrat o exelență expertiză, răspunzând la toate întrebările cu claritate și ușurință.
Valentina
Curs - Machine Learning
Tradus de catre o masina
Am apreciat exercițiul care mi-a ajutat să înțeleg teoria și să o aplic pas cu pas. De asemenea, modul în care instrctorul a explicat totul într-o manieră simplă și clară. A fost ușor de urmărit chiar dacă nu am prea multă experiență cu Python, însă nu am vrut să ratăm oportunitatea de a învăța ceva care mă interesează foarte tare. Am apreciat și varietatea informațiilor oferite și disponibilitatea instrctorului de a ne explica și susține în înțelegerea conceptelor. După acest curs, concepțiile de machine learning sunt mult mai clare pentru mine, iar acum simt că am o direcție și o înțelegere mai bună a subiectului.
Cristina
Curs - Machine Learning
Tradus de catre o masina
La sfârșitul instruirii, am putut vedea cazul de utilizare din viața reală al subjektelor prezentate.
Daniel
Curs - Machine Learning
Tradus de catre o masina
Mi-a plăcut ritmul, mi-a plăcut echilibrul dintre teorie și practică, temele principale abordate și modul în care instrucționarul a reușit să pună totul în echilibru. Mi-a plăcut și foarte mult infrastructura de instruire, foarte practică pentru lucru cu VM-uri.
Andrei
Curs - Machine Learning
Tradus de catre o masina
Mărirea concizității și simplificării. Crearea unor intuiții și modele vizuale în jurul conceptelor (graficul arborelui de decizie, ecuațiile liniare, calcularea manuală a y_pred pentru a demonstra cum funcționează modelul).
Nicolae - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
M-a ajutat să realizăm obiectivul de a înțelege ML. Mult respect pentru Pablo pentru că a oferit o introducere adecvată în acest subiect, deoarece după 3 zile de instruire devine clar cât de vast este acest domeniu. Am apreciat foarte mult ideea mașinilor virtuale pe care ne-ați oferit-o, care au avut o latencie foarte bună! A permis fiecărui participanță să facă experimente la propriul ritm.
Silviu - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
Modul practic, viziunea teoriei care se materializează în ceva practic este minunată.
Lisa Fekade - Vodacom
Curs - Machine Learning
Tradus de catre o masina
