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.
Schița de curs
1. Înțelegerea clasificării folosind cei mai apropiați vecini
- Algoritmul kNN
- Calcularea distanței
- Alegerea unui k
- Pregătirea datelor pentru utilizare cu kNN
- De ce este leneș algoritmul kNN?
2. Înțelegerea naivului Bayes
- Concepte de bază ale metodelor bayesiene
- Probabilitate
- Probabilitate comună
- Probabilitate condiționată cu teorema lui Bayes
- Algoritmul naiv Bayes
- Clasificarea naiva Bayes
- Estimatorul Laplace
- Folosind caracteristici numerice cu Bayes naiv
3. Înțelegerea arborilor de decizie
- Diviza și cuceri
- Algoritmul arborelui de decizie C5.0
- Alegerea celei mai bune diviziuni
- Tăierea arborelui de decizie
4. Înțelegerea regulilor de clasificare
- Separați și cuceriți
- Algoritmul One Rule
- Algoritmul RIPPER
- Reguli din arborele de decizie
5. Înțelegerea regresiei
- Regresia liniară simplă
- Estimarea obișnuită cu cele mai mici pătrate
- Corelații
- Regresie liniară multiplă
6. Înțelegerea arborilor de regresie și a arborilor model
- Adăugarea regresiei la copaci
7. Înțelegerea rețelelor neuronale
- De la neuroni biologici la neuroni artificiali
- Funcții de activare
- Topologie de rețea
- Numărul de straturi
- Direcția de deplasare a informațiilor
- Numărul de noduri din fiecare strat
- Antrenarea rețelelor neuronale cu backpropagation
8. Înțelegerea mașinilor Vector Vector
- Clasificarea cu hiperplane
- Găsirea marjei maxime
- Cazul datelor separabile liniar
- Cazul datelor neliniar separabile
- Utilizarea nucleelor pentru spații neliniare
9. Înțelegerea regulilor de asociere
- Algoritmul Apriori pentru învățarea regulilor de asociere
- Măsurarea interesului regulilor – sprijin și încredere
- Construirea unui set de reguli cu principiul Apriori
10. Înțelegerea grupării
- Clustering ca sarcină de învățare automată
- Algoritmul k-means pentru grupare
- Utilizarea distanței pentru a atribui și actualiza clustere
- Alegerea numărului adecvat de clustere
11. Măsurarea performanței pentru clasificare
- Lucrul cu datele de predicție de clasificare
- O privire mai atentă asupra matricelor de confuzie
- Utilizarea matricelor de confuzie pentru a măsura performanța
- Dincolo de acuratețe – alte măsuri de performanță
- Statistica kappa
- Sensibilitate și specificitate
- Precizie și reamintire
- Măsura F
- Vizualizarea compromisurilor de performanță
- curbele ROC
- Estimarea performantelor viitoare
- Metoda holdout
- Validare încrucișată
- Bootstrap eșantionare
12. Reglarea modelelor de stoc pentru o performanță mai bună
- Folosind caret pentru reglarea automată a parametrilor
- Crearea unui model reglat simplu
- Personalizarea procesului de reglare
- Îmbunătățirea performanței modelului cu meta-learning
- Înțelegerea ansamblurilor
- Bagare
- Amplificare
- Păduri aleatorii
- Antrenarea pădurilor la întâmplare
- Evaluarea aleatorie a performanței pădurilor
13. Deep Learning
- Trei clase de Deep Learning
- Deep Autoencoders
- Pre-antrenat Deep Neural Networks
- Rețele de stivuire profundă
14. Discuții despre domenii specifice de aplicare
21 ore
Mărturii (1)
Very flexible.