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
- Machine Learning introducere
- Tipuri de învățare automată - învățare supravegheată vs. învățare nesupravegheată
- De la învățarea statistică la învățarea automată
- Fluxul de lucru Data Mining:
- Business înțelegerea
- Înțelegerea datelor
- Pregătirea datelor
- Modelarea
- Evaluarea
- Implementare
- Algoritmi de învățare automată
- Alegerea algoritmului potrivit pentru problemă
- Supraadaptarea și compromisul tendință-varianță în ML
- Biblioteci ML și limbaje de programare
- De ce să utilizați un limbaj de programare
- Alegerea între R și Python
- Python curs intensiv
- Python resurse
- Python Biblioteci pentru învățarea automată
- Jupyter notebooks și codare interactivă
- Testarea algoritmilor ML
- Generalizare și supraajustare
- Evitarea supraadaptării
- Metoda Holdout
- Validare încrucișată
- Bootstrapping
- Evaluarea predicțiilor numerice
- Măsuri de acuratețe: ME, MSE, RMSE, MAPE
- Stabilitatea parametrilor și a predicțiilor
- Evaluarea algoritmilor de clasificare
- Precizia și problemele sale
- Matricea confuziei
- Problema claselor neechilibrate
- Vizualizarea performanței modelului
- Curba de profit
- Curba ROC
- Curba de ridicare
- Selectarea modelului
- Reglarea modelului - strategii de căutare în grilă
- Exemple în Python
- Pregătirea datelor
- Importul și stocarea datelor
- Înțelegerea datelor - explorări de bază
- Manipularea datelor cu ajutorul bibliotecii pandas
- Transformarea datelor - analiza datelor
- Analiza exploratorie
- Observații lipsă - detectare și soluții
- Valori aberante - detectare și strategii
- Standarizare, normalizare, binarizare
- Recodificarea datelor calitative
- Exemple în Python
- Clasificare
- Clasificare binară vs. multiclasă
- Clasificarea prin funcții matematice
- Funcții discriminante liniare
- Funcții discriminante pătratice
- Regresia logistică și abordarea probabilităților
- Vecinii cei mai apropiați (k-nearest neighbors)
- Naïve Bayes
- Arbori de decizie
- CART
- Bagging
- Random Forests
- Boosting
- Xgboost
- Mașini vectoriale cu suport și nuclee
- Clasificator cu marjă maximă
- Mașină vectorială cu suport
- Învățarea ansamblului
- Exemple în Python
- Regresie și predicție numerică
- Estimarea celor mai mici pătrate
- Tehnici de selecție a variabilelor
- Regularizare și stabilitate - L1, L2
- Neliniarități și medii pătrate generalizate
- Regresia polinomială
- Spline de regresie
- Arbori de regresie
- Exemple în Python
- Învățare nesupravegheată
- Clustering
- Clustering bazat pe centroizi - k-means, k-medoids, PAM, CLARA
- Clustering ierarhic - Diana, Agnes
- Clustering bazat pe model - EM
- Hărți autoorganizatoare
- Evaluarea și aprecierea clusterelor
- Reducerea dimensionalității
- Analiza componentelor principale și analiza factorilor
- Descompunerea valorii singulare
- Scalarea multidimensională
- Exemple în Python
- Clustering
- Text mining
- Preprocesarea datelor
- Modelul bag-of-words
- Stemming și lemmizare
- Analiza frecvenței cuvintelor
- Analiza sentimentelor
- Crearea norilor de cuvinte
- Exemple în Python
- Motoare de recomandări și filtrare colaborativă
- Date de recomandare
- Filtrarea colaborativă bazată pe utilizator
- Filtrarea colaborativă bazată pe elemente
- Exemple în Python
- Extragerea modelelor de asociere
- Algoritmul seturilor de elemente frecvente
- Analiza coșului de cumpărături
- Exemple în Python
- Analiza valorilor aberante
- Analiza valorii extreme
- Detectarea valorilor aberante pe baza distanței
- Metode bazate pe densitate
- Detectarea valorilor aberante înalt-dimensionale
- Exemple în Python
- Machine Learning studiu de caz
- Business înțelegerea problemei
- Preprocesarea datelor
- Selectarea și reglarea algoritmului
- Evaluarea rezultatelor
- Implementare
Cerințe
Cunoașterea și conștientizarea Machine Learning fundamentelor
21 ore
Mărturii (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
Curs - 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
Curs - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
