Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
1. Chápání klasifikace pomocí nejblíže sousedů
- Algoritmus kNN
- Výpočet vzdálenosti
- Vybrání vhodného k
- Příprava dat pro použití s kNN
- Proč je algoritmus kNN "lazy"?
2. Chápání naivní Bayesové metody
- Základní koncepty bayesiánských metod
- Pravděpodobnost
- Spojité pravděpodobnosti
- Podmíněná pravděpodobnost s Bayesovou větou
- Naivní Bayesův algoritmus
- Naivní Bayesová klasifikace
- Laplaceův estimační přístup
- Použití numerických vlastností s naivním Bayesem
3. Chápání rozhodovacích stromů
- Rozděl a panuj
- C5.0 algoritmus rozhodového stromu
- Výběr nejlepšího rozdělení
- Pruning rozhodového stromu
4. Chápání klasifikačních pravidel
- Rozděl a panuj
- Algoritmus One Rule
- Algoritmus RIPPER
- Pravidla z rozhodových stromů
5. Chápání regrese
- Jednoduchá lineární regrese
- Obyčejné metody nejmenších čtverců
- Korelace
- Vícenásobná lineární regrese
6. Chápání regresních stromů a modelových stromů
- Přidání regrese do stromů
7. Chápání neuronových sítí
- Od biologických k umělým neurónům
- Aktivační funkce
- Síťová topologie
- Počet vrstev
- Smer informací v síti
- Počet uzlů ve každé vrstvě
- Trenování neuronových sítí pomocí backpropagation
8. Chápání podporujících vektorových strojů (SVM)
- Klasifikace pomocí hyperrovinností
- Hledání maximálního odstupu
- Případ lineárně separovatelných dat
- Případ ne-lineárně separovatelných dat
- Použití jádrové funkce pro ne-lineární prostory
9. Chápání asociativních pravidel
- Algoritmus Apriori pro učení asociativních pravidel
- Měření zájmu pravidla – podpora a důvěra
- Vytváření sady pravidel pomocí principu Apriori
10. Chápání shlukování (clustering)
- Shlukování jako úloha strojového učení
- Algoritmus k-means pro shlukování
- Použití vzdálenosti pro přiřazení a aktualizaci shluků
- Výběr vhodného počtu shluků
11. Měření výkonu klasifikace
- Práce s daty predikce klasifikace
- Důkladnější pohled na matice záměn (confusion matrices)
- Použití matic záměn pro měření výkonu
- Za přesností – další míry výkonu
- Kappa statistika
- Citlivost a specifita
- Přesnost a odvolání (recall)
- F-míra
- Vizualizace obchodů výkonu
- Křivky ROC
- Odhad budoucího výkonu
- Metoda holdout
- Križová validace (cross-validation)
- Vzorkování bootstrapem
12. Dostavení modelů k lepšímu výkonu
- Použití caret pro automatizované nastavování parametrů
- Vytvoření jednoduchého dostaveného modelu
- Přizpůsobení procesu dostavování
- Zlepšení výkonu modelu pomocí meta-uceňování (meta-learning)
- Chápání souborů modelů (ensembles)
- Pouzití bagging
- Použití boosting
- Náhodné lesy (random forests)
- Trenování náhodných lesů
- Hodnocení výkonu náhodných lesů
13. Hluboké učení (Deep Learning)
- Tři třídy hlubokého učení
- Hluboké autoenkodery
- Předtrénované hluboké neuronové sítě
- Hluboké složené sítě (deep stacking networks)
14. Diskuse o konkrétních aplikačních oblastech
21 hodiny
Reference (1)
Very flexible.
